Genomiske grunnmodeller: AI lærer biologiens språk i 2026

Genomiske grunnmodeller: AI lærer biologiens språk i 2026

En ny generasjon AI-modeller i biologien trenes ikke på proteinstrukturer, men på selve genomet — billioner av DNA-byggesteiner. Disse «genomiske grunnmodellene» kan forutsi den funksjonelle effekten av genetiske mutasjoner uten å ha blitt fortalt eksplisitt hva en mutasjon er. Det er et reelt steg videre etter AlphaFold, men med klare forbehold.

Fra proteinstruktur til genomets mønstre

AlphaFold løste et stort problem: å forutsi hvordan et protein folder seg ut fra sekvensen. Den nye bølgen handler om noe litt annet. En genomisk grunnmodell trenes på enorme mengder DNA-sekvens — beskrevet i størrelsesordenen billioner av nukleotider — og lærer statistiske mønstre i hvordan genomet er bygd opp, omtrent slik en språkmodell lærer mønstre i tekst.

Det bemerkelsesverdige er at modellen kan si noe om hvilken effekt en bestemt mutasjon sannsynligvis har, uten at den er blitt direkte trent på merkede eksempler på «skadelig» eller «harmløs». Den henter signalet ut av mønstrene den har sett. For forskere kan det bli et verktøy til å prioritere hvilke genvarianter som er verdt å undersøke nærmere i laboratoriet.

Strukturbiologien rykker også videre

Parallelt utvikler strukturbiologien seg utover det opprinnelige AlphaFold-gjennombruddet. To frontlinjer peker seg ut: å forutsi hele landskapet av former et protein kan innta — ikke bare én statisk struktur — og å designe nye proteiner som binder seg presist til et valgt mål. Det siste, kjent som de novo proteindesign, åpner for å lage molekyler naturen ikke har laget selv.

Til sammen tegner dette et bilde av en biologi der AI ikke bare beskriver det som finnes, men også foreslår nytt. Det er kraftfullt, men også et område der det er lett å overselge. En modell som foreslår en lovende proteinbinder, har ikke dermed bevist at den virker i en celle, langt mindre i en pasient.

Hva norske forsknings- og helsemiljøer bør merke seg

For norske universiteter, sykehus og bioteknologimiljøer er den praktiske verdien først og fremst som prioriteringsverktøy. En genomisk grunnmodell kan hjelpe med å sile ut hvilke varianter eller hypoteser som fortjener dyre, tidkrevende laboratorieforsøk. Det kan spare ressurser og rette innsatsen mot det mest lovende.

Forbeholdene er like viktige. Modellene gir sannsynligheter og mønstre, ikke fasit. De er trent på data som kan ha skjevheter, og prediksjoner må valideres eksperimentelt før de brukes til kliniske beslutninger. I en medisinsk sammenheng gjelder dessuten strenge krav til personvern og datagrunnlag. Bruk modellene som hypotesegenerator, ikke som dommer.

«En genomisk grunnmodell trent på 9,3 billioner nukleotider kan forutsi den funksjonelle effekten av genetiske mutasjoner uten noensinne å ha blitt fortalt hva en mutasjon gjør.» — Forskningsoversikt om AI i biologi, 2026 (nature.com)

Ofte stilte spørsmål

Hva er en genomisk grunnmodell? Det er en AI-modell trent på svært store mengder DNA-sekvens — i størrelsesordenen billioner av nukleotider — som lærer statistiske mønstre i genomet, omtrent slik en språkmodell lærer mønstre i tekst. Den kan blant annet forutsi sannsynlig effekt av genetiske mutasjoner uten å være direkte trent på merkede eksempler.

Er dette det samme som AlphaFold? Nei. AlphaFold forutsier hvordan proteiner folder seg ut fra sekvensen. Genomiske grunnmodeller jobber på selve DNA-sekvensen og lærer mønstre i genomet. Strukturbiologien utvikler seg parallelt mot å forutsi proteiners formlandskap og designe helt nye proteiner.

Kan slike modeller brukes til kliniske beslutninger? Ikke alene. Modellene gir sannsynligheter og mønstre, ikke fasit, og kan ha skjevheter fra treningsdataene. Prediksjoner må valideres eksperimentelt, og i medisinsk bruk gjelder strenge krav til personvern og datagrunnlag. De egner seg best som hypotese- og prioriteringsverktøy.