{"schema_version":"1.0","service":"Publicasta","type":"article","id":560,"slug":"alphagenome_atlas_nine_billion_dna_variants_research_tool","title":"AlphaGenome Atlas macht neun Milliarden mögliche DNA-Änderungen zu einer Forschungskarte","excerpt":"Google DeepMinds AlphaGenome Atlas berechnet vorhergesagte molekulare Effekte für jede mögliche Ein-Buchstaben-Änderung im menschlichen Genom. Das hilft Forschenden bei der Auswahl nächster Experimente, ersetzt aber weder Diagnostik noch genetische Expertise.","language":"de","default_language":"en","canonical_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de","image":{"url":"https://publicasta.com/storage/projects/16/pages/560/2026/09/696fd60b-90ae-4e40-a02c-2e3be16a5fd3.webp","alt":"Eine leuchtende DNA-Doppelhelix über einem abstrakten Atlas genomischer Daten und regulatorischer Signale."},"publisher":{"id":16,"slug":"good_tech_news","name":"Gute Tech-Nachrichten","url":"https://publicasta.com/good_tech_news"},"author":{"name":"Anton R"},"published_at":"2026-09-08T17:41:50+00:00","updated_at":"2026-09-08T17:41:50+00:00","content_markdown":"Eine genetische Variante kann sich nur in einem DNA-Buchstaben von der Referenzsequenz unterscheiden und trotzdem schwer zu interpretieren sein. Das Problem besteht nicht darin, dass es zu wenige mögliche Varianten gibt. Es ist das Gegenteil: Das menschliche Genom enthält so viele mögliche Veränderungen in so vielen regulatorischen Zusammenhängen, dass Forschende sie nicht einzeln im Labor testen können. Die meisten liegen außerdem nicht in proteinkodierenden Bereichen. Sie befinden sich in den weniger vertrauten Teilen des Genoms, die mitbestimmen, wann, wo und wie stark Gene angeschaltet werden.\n\n ![Eine leuchtende DNA-Doppelhelix über einem abstrakten Atlas genomischer Daten und regulatorischer Signale.](https://publicasta.com/storage/projects/16/pages/560/2026/09/696fd60b-90ae-4e40-a02c-2e3be16a5fd3.webp)\n\n Am 8. September 2026 stellte Google DeepMind den AlphaGenome Atlas vor, einen durchsuchbaren Katalog mit Vorhersagen für ungefähr neun Milliarden mögliche Einzelnukleotidvarianten im menschlichen Genom. Die Zahl bezieht sich auf jede mögliche Substitution eines einzelnen Buchstabens an jeder Position eines Referenzgenoms: Für jede DNA-Base gibt es drei alternative Basen und damit drei mögliche Veränderungen. Der Atlas berechnet vorab, was das AlphaGenome-Modell für diese Substitutionen in molekularen Prozessen wie Genexpression, RNA-Spleißen, Chromatinaktivität und DNA-Kontakten vorhersagt.\n\n Diese Beschreibung ist wichtig. Der Atlas ist keine Liste von neun Milliarden bestätigten krankheitsverursachenden Mutationen. Er ist keine Datenbank persönlicher Diagnosen und stellt nicht fest, dass eine vorhergesagte molekulare Veränderung eine Krankheit auslösen wird. Sein unmittelbarer Beitrag ist bescheidener und gerade deshalb nützlich: Biologinnen und Biologen können Hypothesen ordnen, bevor sie Zeit und Geld in Experimente investieren.\n\n ## Der Engpass liegt bei der Interpretation, nicht bei der Sequenzierung\n\n Moderne Sequenzierung kann deutlich mehr genetische Unterschiede identifizieren, als klinische oder wissenschaftliche Teams zuverlässig erklären können. Ein Sequenzbericht kann Varianten enthalten, die bereits gut verstanden sind, Varianten mit starker, aber unvollständiger Evidenz sowie Varianten unklarer Signifikanz. Die letzte Kategorie ist keine Diagnose. Sie besagt, dass die vorhandenen Belege noch keine verlässliche Einstufung erlauben.\n\n Besonders ausgeprägt ist die Schwierigkeit außerhalb proteinkodierender Regionen. Protein-kodierende Exons machen nur etwa zwei Prozent des menschlichen Genoms aus, während regulatorische DNA die Aktivität von Genen in verschiedenen Zelltypen und Geweben steuert. Eine Veränderung in einem regulatorischen Element kann beeinflussen, ob ein Gen abgelesen wird, wie viel RNA entsteht oder wie ein RNA-Transkript gespleißt wird. Die entscheidenden Hinweise können über einen langen DNA-Abschnitt verteilt sein und nur in einer bestimmten biologischen Situation eine Rolle spielen.\n\n Deshalb reicht eine einfache Nachschlagetabelle, die nur das nächstgelegene Gen betrachtet, nicht aus. Eine Variante kann ein entfernt liegendes Gen beeinflussen, in verschiedenen Geweben unterschiedliche Wirkungen haben oder einen molekularen Schritt verändern, ohne eine offensichtliche klinische Folge zu erzeugen. Forschende brauchen daher mehr als eine Position auf einem Chromosom. Sie benötigen prüfbare Vorhersagen darüber, was die Sequenzänderung verändern könnte.\n\n AlphaGenome wurde für diese Art von Vorhersage entwickelt. Das Modell kann DNA-Sequenzen mit bis zu einer Million Basenpaaren verarbeiten und zahlreiche Ausgabetypen mit hoher Auflösung erzeugen. Es vergleicht eine Referenzsequenz mit einer Sequenz, die eine Variante enthält, und schätzt anschließend Veränderungen molekularer Eigenschaften. Zu den Ausgaben gehören Signale der Genexpression, die Bindung von Transkriptionsfaktoren, die Zugänglichkeit des Chromatins, dreidimensionale DNA-Kontakte und Muster des RNA-Spleißens.\n\n Der Atlas wendet dieses Verfahren in einem Maßstab an, den einzelne Forschungsgruppen normalerweise nicht für jede mögliche Ein-Buchstaben-Änderung nachbilden könnten. Google DeepMind zufolge umfasst der vorberechnete Datensatz ungefähr ein Petabyte. Statt dass jedes Forschungsteam das Modell für jede Kandidatenvariante selbst ausführt, stellt der Dienst die Vorhersagen über eine Weboberfläche und eine API für akademische Forschung bereit.\n\n ## Was der Atlas tatsächlich hinzufügt\n\n Das ursprüngliche AlphaGenome-Modell erlaubte bereits, ausgewählte Varianten zu bewerten. Der neue Atlas verändert den Arbeitsablauf. Ein Teil der Arbeit wandert von der Berechnung auf Abruf zu einer vorbereiteten Referenzressource. Forschende können dadurch mit der Untersuchung einer Region oder einer Kandidatenvariante beginnen, statt zuerst eine umfangreiche Rechenpipeline aufzubauen.\n\n Das ist in mehreren Situationen hilfreich. Ein Team für seltene Erkrankungen kann eine Liste von Varianten gefunden haben, die bei einer Person oder in einer Familie entdeckt wurden, und muss entscheiden, welche nichtkodierenden Veränderungen funktionell getestet werden sollten. Eine populationsgenetische Arbeitsgruppe könnte prüfen wollen, ob seltene Varianten in der Nähe eines Gens wahrscheinlich ähnliche regulatorische Effekte haben. Ein Labor zur Genregulation muss vielleicht eine kleine Gruppe von Substitutionen für Reporterassays, CRISPR-Perturbationen oder RNA-Messungen auswählen. In all diesen Fällen kann das Modell die Suche eingrenzen.\n\n Der Atlas führt außerdem einen AlphaGenome Variant Impact Score ein, kurz AVI-Score. DeepMind beschreibt ihn als kombinierten Wert, der AlphaGenome-Vorhersagen zu regulatorischen Effekten mit AlphaMissense-Vorhersagen für proteinverändernde Varianten zusammenführt. Ein einzelner Score kann die zugrunde liegenden Belege nicht ersetzen. Er kann aber helfen, eine große Kandidatenliste zu sortieren und jene Varianten genauer zu prüfen, die über mehrere verfügbare Signale hinweg besonders folgenreich erscheinen.\n\n Hier liegt der praktische Unterschied zwischen Vorhersage und Beweis. Ein Score ist nützlich, wenn er die Reihenfolge verbessert, in der Forschende Fragen untersuchen. Irreführend wird er, wenn er als endgültiges Urteil behandelt wird. Der Atlas lässt sich am besten als Priorisierungsschicht über biologischen Daten verstehen, nicht als automatisierte Instanz dafür, was eine Variante für einen Menschen bedeutet.\n\n ## Frühe Beispiele zeigen den vorgesehenen Einsatz\n\n Google DeepMind beschreibt zwei frühe Anwendungen. In einem Fall nutzten Forschende am Broad Institute den AVI-Score, um Varianten in einem ungelösten Fall einer seltenen Erkrankung zu priorisieren. Das System hob eine Variante im Gen DNM1 hervor und sagte voraus, dass sie eine abnorme Spleißstelle erzeugen könnte. Die Vorhersage lieferte unterstützende Evidenz in einem Fall, der anschließend durch den umfassenderen Prozess der Genomuntersuchung geklärt wurde.\n\n Das entscheidende Wort lautet „unterstützend“. Das Ergebnis stammte nicht aus einem Modell allein. Eine Diagnose bei einer seltenen Erkrankung hängt im Allgemeinen vom Phänotyp der betroffenen Person, von Familienbeziehungen, Populationshäufigkeit, dem Zusammenhang zwischen Gen und Erkrankung, früheren Beobachtungen und, sofern vorhanden, funktionellen Belegen ab. Eine Vorhersage zum Spleißen kann einen Kandidaten für Laborarbeit oder eine fachliche Prüfung attraktiver machen. Sie macht die anderen Beleglinien jedoch nicht überflüssig.\n\n In einem weiteren Beispiel kombinierte ein Forschender Atlas-Vorhersagen mit Daten von mehr als 54.000 Teilnehmenden der UK Biobank. Die Gruppierung von Varianten nach ihren vorhergesagten molekularen Wirkungen soll 22 Prozent mehr nichtkodierende genetische Zusammenhänge sichtbar gemacht haben als ein Ansatz, der vorhergesagte Effekte nicht in gleicher Weise nutzte. Die Analyse identifizierte außerdem 19 Genomregionen, die bei den Varianten mit den stärksten vorhergesagten Wirkungen mit dem Body-Mass-Index verbunden waren.\n\n Dieses Ergebnis zeigt, wie ein Modell eher bei der statistischen Ordnung helfen kann, als eine neue medizinische Schlussfolgerung zu liefern. Forschende stehen häufig vor einer unübersichtlichen Sammlung seltener Varianten, die jeweils zu selten beobachtet werden, um sie allein zu analysieren. Wenn Vorhersagen Varianten gruppieren können, die offenbar denselben regulatorischen Mechanismus stören, lassen sich diese Gruppen möglicherweise leichter untersuchen. Der Zusammenhang braucht weiterhin unabhängige Analysen und biologische Validierung.\n\n Die Beispiele zeigen auch, wofür der Atlas nicht gedacht ist. Er erklärt nicht den vollständigen Phänotyp einer Person aus ihrem Genom. Er berechnet nicht die künftige Gesundheit eines Individuums. Er bestimmt nicht, wie sich eine Variante in jedem Gewebe, in jedem Alter und unter jeder Umweltbedingung verhält. Er formuliert molekulare Hypothesen, die mit anderen Belegen verbunden werden können.\n\n ## Warum nichtkodierende DNA so schwierig ist\n\n Der Ausdruck „nichtkodierende DNA“ kann einen falschen Eindruck erzeugen. Nichtkodierend bedeutet weder nutzlos noch, dass jede Base eine bekannte regulatorische Funktion besitzt. Gemeint ist, dass die Sequenz nicht direkt für ein Protein codiert. Viele nichtkodierende Regionen helfen dabei, Genaktivität zu steuern, doch regulatorische Funktionen sind oft abhängig vom Kontext. Eine Sequenz kann in einer Leberzelle wichtig sein, in einem Neuron aber nicht; während der Entwicklung eine Rolle spielen, im Erwachsenenalter jedoch nicht; oder erst dann relevant werden, wenn ein bestimmtes Signal einen Signalweg aktiviert.\n\n Deshalb sind die Trainingsdaten für Modelle wie AlphaGenome ebenso wichtig wie ihre Architektur. DeepMind zufolge wurde AlphaGenome mit Messungen aus öffentlichen Ressourcen wie ENCODE, GTEx, dem 4D-Nucleome-Projekt und FANTOM5 trainiert. Diese Projekte erfassen unterschiedliche Aspekte der Genregulation in ausgewählten menschlichen und murinen Zelltypen und Geweben. Sie liefern eine wertvolle Abdeckung, sind aber keine vollständige Aufzeichnung jedes Zellzustands in jeder Person.\n\n Ein Modell lernt Muster aus dem, was gemessen wurde. Wenn ein Gewebe, eine Entwicklungsphase, eine Abstammungsgruppe oder ein zellulärer Zustand in den Trainingsdaten nur schwach vertreten ist, verfügt das Modell für diesen Zusammenhang möglicherweise über weniger verlässliche Informationen. Die Ausgabe kann weiterhin als Hypothese nützlich sein. Ihre Unsicherheit darf aber nicht hinter einer präzise wirkenden Zahl verschwinden.\n\n Eine zweite Herausforderung ist die biologische Entfernung. Genregulation beschränkt sich nicht auf eine kurze Nachbarschaft rund um ein Gen. Enhancer und andere regulatorische Elemente können über große Distanzen wirken, und DNA faltet sich in dreidimensionale Strukturen, die entfernte Regionen miteinander in Kontakt bringen. AlphaGenome kann einen Kontext von bis zu einer Million Basenpaaren nutzen. Das ist deutlich länger als bei vielen Sequenzmodellen, bleibt aber ein begrenztes Fenster. In der technischen Dokumentation von Google wird ein Kontextbereich von einem Megabase als Einschränkung genannt. Wechselwirkungen außerhalb dieser Reichweite können in einer einzelnen Vorhersageabfrage nicht erfasst werden.\n\n Hinzu kommt der Unterschied zwischen einem molekularen Ergebnis und einer Auswirkung auf den gesamten Organismus. Das Modell kann vorhersagen, dass eine Variante ein RNA-Spleißsignal verändert oder ein Signal der Genexpression senkt. Damit ist nicht automatisch belegt, dass die Veränderung eine Krankheit verursacht, den Schweregrad einer Erkrankung bestimmt oder auf eine bestimmte Behandlung reagiert. Der Weg von der DNA zur Gesundheit umfasst Zellbiologie, Entwicklung, Physiologie, Umwelt und Zufall.\n\n ## Auch eine gute Karte braucht Referenzdaten\n\n Der wertvollste nächste Schritt nach einer Atlas-Vorhersage ist meist nicht eine weitere Vorhersage. Es ist ein Experiment oder eine Belegprüfung, die auf die konkrete Behauptung zugeschnitten ist. Wenn das Modell ein verändertes Spleißen vorhersagt, können Forschende RNA aus einem relevanten Gewebe untersuchen oder einen validierten Zelltest einsetzen. Wenn es eine veränderte Enhancer-Aktivität vorhersagt, können sie Referenz- und Alternativsequenzen in einem Reportersystem vergleichen und anschließend prüfen, ob das Ergebnis in einem realistischeren Zellmodell Bestand hat. Wird eine Variante mit einem Merkmal in Verbindung gebracht, braucht es statistische Replikation und einen plausiblen biologischen Mechanismus.\n\n Das Versuchsdesign ist wichtig, weil computergestützte Vorhersagen mit den Daten korreliert sein können, die zum Trainieren oder Bewerten des Modells verwendet wurden. Ein Ergebnis, das in silico überzeugend aussieht, kann scheitern, wenn die Sequenz in einem anderen Zelltyp oder mit einem anderen Assay getestet wird. Umgekehrt kann ein Modell Laboren helfen, Experimente auszuwählen, die sonst zu zahlreich oder zu teuer wären. Seine stärkste Rolle besteht häufig darin, Validierung gezielter zu machen.\n\n Für die klinische Genomik gelten eigene Regeln bei der Zusammenführung von Evidenz. Die Leitlinien von ClinGen zur Variantenklassifikation verwenden einen ACMG/AMP-Rahmen, der Populationsdaten, computergestützte Evidenz, funktionelle Studien, Segregation, Phänotyp und weitere Informationen berücksichtigt. Computergestützte Vorhersagen sind ein Teil dieses Prozesses und kein Ersatz für fachkundige Kuration. ClinGen weist ausdrücklich darauf hin, dass seine Leitlinien ohne Prüfung durch eine Fachperson für Genetik nicht für unmittelbare diagnostische oder medizinische Entscheidungen gedacht sind.\n\n Auch die eigenen Nutzungsbedingungen von AlphaGenome formulieren diese Grenze klar. Google DeepMind erklärt, dass der AlphaGenome Atlas nicht für die klinische Nutzung validiert oder zugelassen wurde. Das Modell ist für Forschungszwecke bestimmt. Vorhersagen sollen weder als medizinischer Rat noch als Diagnose noch als Grundlage für eine Änderung der Behandlung verwendet werden. Diese Grenze ist kein nebensächlicher Haftungshinweis. Sie markiert den Unterschied zwischen einem Werkzeug zur Erzeugung von Evidenz und einem regulierten klinischen Test.\n\n ## Was Forschende jetzt damit tun können\n\n Für akademische Nutzer senkt der Atlas mehrere Hürden zugleich. Eine Wissenschaftlerin kann eine Kandidatenvariante abfragen, ohne das vollständige Modell lokal auszuführen. Ein Team kann nichtkodierende Varianten untersuchen, die sonst nur schwer zu priorisieren wären. Studierende können erkunden, wie eine Ein-Buchstaben-Änderung voraussichtlich mehrere molekulare Prozesse gleichzeitig beeinflusst. Eine Computergruppe kann die API für kleinere Analysen einsetzen und eigene Vergleiche auf Basis der zurückgegebenen Scores aufbauen.\n\n Die Ressource kann auch negative Ergebnisse aussagekräftiger machen. Wenn eine Variante über mehrere relevante molekulare Ausgaben hinweg nur einen geringen vorhergesagten Effekt zeigt, kann sie auf der Prioritätenliste eines Labors nach unten rücken. Das beweist nicht, dass die Variante harmlos ist, kann aber helfen, knappe experimentelle Kapazitäten einzuteilen. Umgekehrt kann ein stark vorhergesagter Effekt einen Kandidaten für vertiefte Untersuchungen markieren, ohne ihn als krankheitsverursachend einzustufen.\n\n Es gibt praktische Grenzen. Die öffentliche API ist für nichtkommerzielle Forschung gedacht, und die Projektdokumentation erklärt, dass sie eher für kleinere oder mittlere Analysen geeignet ist als für Anfragen mit mehr als einer Million Vorhersagen. Forschende müssen außerdem Genombuild, Referenzsequenz, Transkriptauswahl und biologischen Kontext einer Analyse dokumentieren. Eine Koordinate ohne diese Metadaten ist kein reproduzierbares Ergebnis.\n\n Die Vorberechnung bringt eine weitere Verantwortung mit sich: Versionierung. Ein Genomatlas ist keine zeitlose Antwort. Modelle können aktualisiert werden, Referenzassemblierungen sich ändern, Annotationen besser werden und experimentelle Belege eine frühere Interpretation widerlegen. Eine belastbare Analyse sollte die Version des Modells oder Atlas, die abgefragte Variante, das Referenzgenom, die Ausgabefelder und das Zugriffsdatum festhalten. Ohne diese Angaben können spätere Nutzer möglicherweise nicht nachvollziehen, warum sich ein Ergebnis verändert hat.\n\n ## Warum das gute Technologienachrichten sind – mit der nötigen Vorsicht\n\n Die gute Nachricht lautet nicht, dass KI das Genom gelöst hätte. Das hat sie nicht. Die gute Nachricht ist, dass ein vertrauter Engpass auf konkrete Weise angegangen wird. Statt Forschende aus einem kaum handhabbaren Raum möglicher Ein-Buchstaben-Änderungen auswählen zu lassen, bietet der AlphaGenome Atlas einen breiten, durchsuchbaren ersten Überblick über diesen Raum. Er kann nichtkodierende Varianten in denselben praktischen Arbeitsablauf wie besser bekannte kodierende Varianten einordnen und verschiedene molekulare Signale rund um einen Kandidaten verbinden.\n\n Das ist relevant, weil Forschung oft davon abhängt, was als Nächstes getestet wird. Ein Labor verfügt nicht über unbegrenzt Zeit, Proben oder Geld. Eine bessere Priorisierung kann den Weg von einer genomischen Beobachtung zu einem gut geplanten Experiment verkürzen. Bei seltenen Erkrankungen kann sie ein Team auf einen plausiblen regulatorischen oder Spleißmechanismus aufmerksam machen. In Populationsstudien kann sie helfen, Varianten zu biologisch sinnvollen Gruppen zusammenzufassen. In der Grundlagenforschung kann sie Muster sichtbar machen, die darauf hindeuten, welche Teile des Genoms genauer vermessen werden sollten.\n\n Die Grenzen sind ebenso wichtig. Der Atlas sagt molekulare Effekte voraus, keine vollständigen klinischen Folgen. Er bezieht sich auf ein Referenzgenom und nicht auf jeden persönlichen Genomkontext. Biologische Prozesse, die in den Daten fehlen oder nur schwach vertreten sind, kann er nicht zuverlässig abbilden. Sein begrenztes Sequenzfenster lässt manche weitreichenden Wechselwirkungen offen. Die Ausgaben brauchen Validierung, eine sorgfältige Bewertung der Unsicherheit und die Einordnung in etablierte genetische Evidenz.\n\n Das ist ein sinnvoller Maßstab für computergestützte Biologie. Ein Forschungswerkzeug verdient Vertrauen, wenn es das nächste Experiment klarer macht, festhält, was es weiß, und Raum für das lässt, was es nicht weiß. Unter diesen Bedingungen wirkt der AlphaGenome Atlas nützlich: nicht als diagnostisches Orakel, sondern als Karte für ein Problem, das inzwischen zu groß geworden ist, um es allein durch manuelle Prüfung zu bewältigen.\n\n ### Quellen und weiterführende Informationen\n\n - [Google DeepMind: AlphaGenome Atlas](https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/) – Ankündigung, Umfang des Atlas, AVI-Score und frühe Forschungsbeispiele.\n- [Google: Überblick zum AlphaGenome Atlas](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-atlas/) – Größe des Datensatzes, Zugangsmodell und Beispiele zu seltener Krankheit und UK-Biobank-Daten.\n- [Nature: DeepMinds neuer Genomatlas](https://www.nature.com/news/deepminds-new-genome-atlas-charts-effects-of-all-9-billion-human-gene-mutations) – unabhängiger wissenschaftsjournalistischer Kontext.\n- [Google DeepMind: AlphaGenome-Modell](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/) – Modelleingaben, vorhergesagte molekulare Eigenschaften, Benchmarks und Hinweis zur Forschungsnutzung.\n- [AlphaGenome-API-Dokumentation und Repository](https://github.com/google-deepmind/alphagenome) – Zugang, unterstützte Ausgaben und praktische Nutzungsgrenzen.\n- [Google-Cloud-Dokumentation zu AlphaGenome](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/open-models/alphagenome) – genannte Einschränkungen, darunter die Nutzung ausschließlich für Forschung und der Kontextbereich von einem Megabase.\n- [ClinGen-Leitlinien zur Variantenklassifikation](https://www.clinicalgenome.org/tools/clingen-variant-classification-guidance/) – wie computergestützte, funktionelle, klinische und populationsbezogene Evidenz in die fachkundige Varianteninterpretation einfließt.","available_translations":[{"language":"ar","title":"أطلس AlphaGenome يحوّل تسعة مليارات تغيير محتمل في الحمض النووي إلى خريطة بحثية","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ar","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ar","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ar"},{"language":"de","title":"AlphaGenome Atlas macht neun Milliarden mögliche DNA-Änderungen zu einer Forschungskarte","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=de","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de"},{"language":"en","title":"AlphaGenome Atlas turns nine billion possible DNA changes into a research map","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=en","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=en","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=en"},{"language":"es","title":"AlphaGenome Atlas convierte nueve mil millones de cambios posibles en el ADN en un mapa de investigación","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=es","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es"},{"language":"fr","title":"AlphaGenome Atlas transforme neuf milliards de changements possibles de l’ADN en carte de recherche","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=fr","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=fr","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=fr"},{"language":"pl","title":"AlphaGenome Atlas zamienia dziewięć miliardów możliwych zmian DNA w mapę do badań","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=pl","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=pl","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=pl"},{"language":"ru","title":"AlphaGenome Atlas превращает девять миллиардов возможных изменений ДНК в карту для исследований","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ru","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru"},{"language":"zh","title":"AlphaGenome Atlas 将九十亿种潜在 DNA 变化变成研究地图","html_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=zh","markdown_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=zh","json_url":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=zh"}],"_links":{"self":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=de","api":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de","html":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de","canonical":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de","markdown":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=de","json":"https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=de","channel":"https://publicasta.com/api/public/v1/channels/good_tech_news","channel_articles":"https://publicasta.com/api/public/v1/channels/good_tech_news/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}