---
title: "AlphaGenomeとは？使い方（API・Atlas・公開重み）と商用利用の範囲【2026年11月】"
url: "https://www.issoh.co.jp/tech/details/10897/"
published: 2026-02-09
updated: 2026-11-11
categories: ["AI"]
publisher: "株式会社一創"
---

# AlphaGenomeとは？使い方（API・Atlas・公開重み）と商用利用の範囲【2026年11月】

AlphaGenomeは、Google DeepMindが開発したDNA配列モデルです。最大1Mb（220＝1,048,576塩基対）の配列を入力すると、遺伝子発現・スプライシング・クロマチンの開き具合などを予測し、1塩基の変異がそれらをどう変えるかを数値で返します。2025年6月25日にAPIのプレビューとして発表され、2026年1月28日にNature論文の掲載とモデル重みの公開、2026年9月8日には全ヒトゲノムの一塩基変異を事前計算した「AlphaGenome Atlas」が公開されました。本記事では、提供形態の違いを整理したうえで、Python SDK（PyPIの`alphagenome` 0.11.0）によるAPIとAtlasの使い方、公開重みを手元で動かす手順、使ってはいけない場面までを一次情報にもとづいて解説します。

## まとめ：AlphaGenomeの要点と2026年11月時点の提供範囲

- **何をするモデルか**：1Mbの塩基配列から、ヒトとマウスについて11種類の出力（RNA-seq、ATAC、DNase、CAGE、PRO-cap、ヒストン修飾、転写因子結合、スプライス部位・使用率・ジャンクション、コンタクトマップ）を予測する。
- **性能**：Nature論文では、変異効果予測の26評価のうち25で既存の最強モデルと同等以上。2025年6月のプレプリント時点の「24/26」から更新されている。
- **無料で使う道は2つ**：非商用ならAPI（APIキーを取得して `pip install alphagenome`。SDKは0.11.0でPython 3.11以上）か、Kaggle・Hugging Faceの公開重みを自前のGPUで動かす（NVIDIA H100以上を推奨）。公開重みを使えるのは大学・非営利団体・研究機関など非商用組織に限られる。
- **Atlasはまず引く**：約90億の一塩基変異の予測が事前計算済みで、APIから `alphagenome.atlas` で引ける。ヒトの一塩基変異ならモデルを回す前にAtlasを確認する。
- **商用利用**はGoogle CloudのModel Garden経由（許可リスト制のGA、80GB GPUが必須、推論専用でファインチューニング不可）。APIの出力やAtlasの情報は原則として非商用限定で、他の機械学習モデルの学習にも使えない。
- **臨床判断には使えない**。個人ゲノムでの性能は未評価で、両親由来のアレルを区別しない（二倍体を扱わない）設計でもある。

## AlphaGenomeが予測するもの：1Mb入力と11種類の出力

従来の配列モデルは、長い配列を読むと解像度が粗くなり、解像度を上げると読める長さが短くなるというトレードオフを抱えていました。Nature論文の要旨は、AlphaGenomeが1Mbの入力から最大1塩基解像度で数千のゲノムトラックを予測することで、この両立を図ったと説明しています。構造は畳み込み層で局所パターンを拾い、Transformerで配列全体に情報を行き渡らせ、デコーダーで塩基単位の予測に戻す構成です。学習データはENCODE、GTEx、4D Nucleome、FANTOM5などの公開コンソーシアムの実験データで、[DeepMindの発表ブログ](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/)は、1つの変異が全出力に与える影響を1秒でスコアリングできるとしています。

### 入力できる配列長と参照ゲノム

入力長は自由に決められず、SDKの `SUPPORTED_SEQUENCE_LENGTHS` に定義された4種類に限られます。公式FAQは、可能な限り1Mbで予測するよう推奨しています。

| 定数                      | 塩基対            |
| ----------------------- | -------------- |
| SEQUENCE\_LENGTH\_16KB  | 16,384（214）    |
| SEQUENCE\_LENGTH\_100KB | 131,072（217）   |
| SEQUENCE\_LENGTH\_500KB | 524,288（219）   |
| SEQUENCE\_LENGTH\_1MB   | 1,048,576（220） |

座標はヒトがhg38（GRCh38.p13）、マウスがmm10（GRCm38.p6）です。hg19の座標で管理している変異は、UCSCのLiftOverでhg38へ変換してから渡します。学習に使ったのはヒトとマウスだけで、他の生物種の配列も受け付けはしますが、精度は正式に評価されていません。

### 11種類の出力タイプと読み方

出力は `dna_client.OutputType` の11種類で、それぞれが細胞種・組織ごとの「トラック」の束になっています。1つの出力タイプに含まれるトラック数は5から600超まで幅があり、どの組織のトラックかはUBERONやCLなどのオントロジーID（CURIE）で指定します。

| OutputType          | 予測する現象             |
| ------------------- | ------------------ |
| RNA\_SEQ            | 遺伝子発現量             |
| CAGE／PROCAP         | 転写開始点              |
| ATAC／DNASE          | クロマチンの開き具合         |
| CHIP\_HISTONE       | ヒストン修飾             |
| CHIP\_TF            | 転写因子の結合            |
| SPLICE\_SITES       | スプライス部位の位置         |
| SPLICE\_SITE\_USAGE | スプライス部位の使用率        |
| SPLICE\_JUNCTIONS   | スプライスジャンクションの座標と強さ |
| CONTACT\_MAPS       | 染色体内の3次元的な接触       |

スプライスジャンクションを座標と強さで直接予測できるのは、論文が強調する差分の1つです。一方、AlphaGenomeが出すのはスプライス部位の使用率やジャンクション数までで、エクソンの包含率（PSI値）はそのままでは出ません。PSIが必要なら公式Colab「[Deriving PSI values](https://www.alphagenomedocs.com/colabs/v1/deriving%5FPSI%5Fvalues.html)」の手順で予測値から導出します。

## Nature論文の評価結果とプレプリントからの変化

査読版の論文「Advancing regulatory variant effect prediction with AlphaGenome」は、2026年1月28日に[Nature誌](https://www.nature.com/articles/s41586-025-10014-0)（649巻8099号、1206〜1218ページ）に掲載されました。要旨の結論は「変異効果予測の26評価のうち25で、利用可能な最強の外部モデルと同等以上」です。2025年6月のブログ（プレプリント公開時）では「配列単体の予測24評価中22、変異効果26評価中24」と書かれていたため、日本語の解説記事には古い数字が残っているものがあります。引用するなら査読版の25/26を使ってください。

論文が示した具体例は、T細胞性急性リンパ性白血病で見つかる、がん遺伝子TAL1の近くにある非コード変異です。AlphaGenomeは全モダリティの変異効果を同時にスコアリングすることで、この変異が転写因子の結合モチーフを作り、TAL1を活性化させる仕組みを再現しました。発現・クロマチン・結合を別々のモデルで予測して突き合わせる手間を、1回の推論で済ませられる点が実務上の利点です。

比較対象には、長い配列から複数のゲノム測定値を予測するBorzoiやEnformer、スプライシングに特化したSpliceAIなどが含まれます。DeepMindのブログによれば、蒸留を含まない単一のAlphaGenomeモデルの学習計算量は、初代Enformerの学習に使った計算量の約半分です。

## 提供形態の比較：API・公開重み・Google Cloud

2025年の発表時点では「非商用のAPIのみ、重みは将来公開」でしたが、2026年11月時点では3つの経路があります。用途と手元の計算資源で選びます。

| 経路                          | 開始         | 商用        | 必要な計算資源          |
| --------------------------- | ---------- | --------- | ---------------- |
| AlphaGenome API（Atlasを含む）   | 2025-06    | 不可（無料）    | 不要（Colabでも可）     |
| 公開重み（alphagenome\_research） | 2026-01-28 | 不可        | NVIDIA H100以上を推奨 |
| Google Cloud Model Garden   | 2026-07-06 | 可（許可リスト制） | A100／H100（80GB）  |

コードと重みはライセンスが別です。GitHubのソースコードはApache License 2.0ですが、学習済みの重みは非商用のモデル規約に同意したうえでしか使えません。「オープンソースだから商用で使える」と読むと、重みの条件を見落とします。

### 無料API：数千件規模の解析まで

APIはAPIキーを取得すれば非商用で無料です。[公式README](https://github.com/google-deepmind/alphagenome)は、APIが向くのは「数千件の予測を要する中小規模の解析」で、「100万件を超える大規模解析には向かない可能性が高い」と明記しています。クエリのレートは需要で変動し、事前計算済みのAtlasの方が高いレートで引けます。全ゲノム規模のスクリーニングをしたいなら、まずAtlasに答えがないかを確かめるのが近道です。

### 公開重みをローカルで動かす手順

JAXで書かれたモデル本体と学習データローダーは、GitHubの[google-deepmind/alphagenome\_research](https://github.com/google-deepmind/alphagenome%5Fresearch)で公開されています。重みはKaggleとHugging Faceにあり、Hugging Faceには`google/alphagenome-all-folds`と、交差検証の各分割で学習した`fold-0`〜`fold-3`の5つのリポジトリがあります。いずれもダウンロード前にモデル規約への同意が必要で、申請は即時に処理されます。READMEの手順は、リポジトリを取得して開発モードで入れ、ファクトリ関数で重みを読み込む流れです。

```
git clone https://github.com/google-deepmind/alphagenome_research.git
pip install -e ./alphagenome_research
```

```
from alphagenome.data import genome
from alphagenome_research.model import dna_model

# Kaggleから読む場合（Hugging Faceなら create_from_huggingface('all_folds')）
model = dna_model.create_from_kaggle('all_folds')

variant = genome.Variant.from_str('chr22:36201698:A>C')
outputs = model.predict_variant(
    interval=variant.reference_interval.resize(2**20),
    variant=variant,
    ontology_terms=['UBERON:0001157'],
    requested_outputs=[dna_model.OutputType.RNA_SEQ],
)
```

初回の読み込みでは、規約に同意したKaggleまたはHugging Faceのアカウントでの認証を求められます。READMEは推論にNVIDIA H100以上、学習にTPU v3以上を推奨し、CUDA・cuDNN・GPU版JAXが正しく入っていることを前提にしています。本記事の環境にはH100が無いため、上のコードはREADMEの手順をそのまま示したもので、重みの読み込みと推論は実行していません。Googleのモデルカードは公開重みの利用を非商用組織による非商用利用に限定しており、企業の研究部門が社内検証に使うことも認めていません。

### 商用利用：Google CloudのModel Garden

企業の創薬パイプラインなど商用で使う場合の窓口は[Google Cloud](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/open-models/alphagenome)です。Gemini Enterprise Agent PlatformのModel Gardenから自前のエンドポイントにデプロイする形式で、2026年7月6日に提供が始まりました。ステータスは「GA with allowlist」、つまり申請フォームでの許可が前提です。GPUは80GBのA100（a2-ultragpu系）かH100（a3-highgpu系、a3-megagpu-8g）に限られ、40GBのA100（a2-highgpu系）は対象外です。Cloud版のPython SDKも許可リストに登録したサービスアカウントでしか取得できません。利用には有料のサブスクリプションが必要で、料金は公開されておらずGoogle Cloudの営業窓口に問い合わせる形です。これとは別に、エンドポイントとGPUインスタンスのインフラ費用も利用者の負担になります。

2026年11月4日の[リリースノート](https://docs.cloud.google.com/gemini-enterprise-agent-platform/release-notes)で、モデルの版 `alphagenome-004` がgRPCストリーミングとチャンク化したHTTPストリーミングに対応し、1Mbのトラック予測の待ち時間を減らしたと発表されました。fold（ALL\_FOLDS、FOLD\_0〜FOLD\_3）の選択にも対応し、従来の `alphagenome-003` は既存のHTTPデプロイとの互換のために残されています。一方で、Cloud版のドキュメントは自社データでのファインチューニングに対応しておらず推論専用だと明記しています。社内の解析基盤からこのエンドポイントを呼ぶ連携を設計する場合は、[API開発・システム連携](/service/system/api/)の支援もご相談いただけます。

## AlphaGenome APIの使い方：Pythonでバリアント効果を予測する手順

APIで1つの変異を評価するまでの流れを示します。[公式のクイックスタートColab](https://colab.research.google.com/github/google-deepmind/alphagenome/blob/main/colabs/v1/quick%5Fstart.ipynb)でも試せます。本記事ではPython 3.12・SDK 0.11.0で区間生成と入力検証、ダミーキーによる認証エラーを確認しましたが、有効なAPIキーを使った予測結果の取得は未検証です。

### APIキーの取得とインストール

APIキーは[DeepMindのAlphaGenomeページ](https://deepmind.google.com/science/alphagenome)から取得します。SDKはPyPIの`alphagenome`で、2026年11月4日公開の0.11.0が最新です。0.11.0でPython 3.10のサポートが終わり、3.11以上が必要になりました（3.14にも正式対応）。

```
python3.12 -m venv .venv
source .venv/bin/activate
pip install alphagenome==0.11.0
python -c "import importlib.metadata as m; print(m.version('alphagenome'))"
```

0.10.0（2026年10月8日）でモデルAPIが `alphagenome.models.v1` へ移り、0.11.0のREADMEも `from alphagenome.models.v1 import dna_client` と書いています。旧来の `from alphagenome.models import dna_client` も0.11.0では動きますが、中身はv1を再エクスポートしているだけで、リリースノートは旧パスを将来削除すると予告しています。既存のノートブックもv1のimportパスへ変更しておけば、旧パスの削除に伴う読み込みエラーを避けられます。

### 区間・変異の指定と4種類の対応配列長

変異は `genome.Variant`、予測する範囲は `genome.Interval` で表します。`Variant.from_str('chr22:36201698:A>C')` のように文字列から作れ、`reference_interval.resize()` で変異を中心に対応長へ広げられます。0.11.0で実行すると、この方法で作った区間は公式READMEの例と同じ `chr22:35677410-36725986`（幅1,048,576）になりました。

```
from alphagenome.data import genome
from alphagenome.models.v1 import dna_client

variant = genome.Variant.from_str('chr22:36201698:A>C')
interval = variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB)
print(interval, interval.width)
# chr22:35677410-36725986:. 1048576
```

注意点は2つあります。1つ目は座標系で、`Variant.position` と変異文字列内の位置は1始まりですが、`Interval` は0始まり・終端を含まない半開区間です（`Interval('chr1', 0, 1)` が1番染色体の最初の1塩基）。2つ目は長さで、200,000塩基のような非対応長を渡すと `ValueError: Sequence length 200000 not supported by the model. Supported lengths: [16384, 131072, 524288, 1048576]` で止まります。`resize()` が変更するのは区間の座標です。その区間を予測APIに渡すと対応する参照ゲノム配列が使われるため、この例では利用者がNで埋める必要はありません。

### predict\_variantとscore\_variantの使い分け

`predict_variant` は参照（REF）と変異（ALT）それぞれのトラック全体を返すので、図にして変化の場所を見るときに使います。`score_variant` は指定したスコアラーで変異効果を数値化します。下のRNA-seqの例では遺伝子とトラックの組み合わせごとにスコアを返すため、多数の変異を順位付けするときは、比較する遺伝子・組織や集約方法を決めます。

```
from alphagenome.data import genome
from alphagenome.models.v1 import dna_client, variant_scorers

model = dna_client.create('YOUR_API_KEY')
variant = genome.Variant.from_str('chr22:36201698:A>C')
interval = variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB)

# REF/ALTのトラックを取得（UBERON:0001157 = 横行結腸）
outputs = model.predict_variant(
    interval=interval,
    variant=variant,
    ontology_terms=['UBERON:0001157'],
    requested_outputs=[dna_client.OutputType.RNA_SEQ],
)
print(outputs.reference.rna_seq.values.shape)

# 推奨スコアラーで変異効果を数値化し、表に整形
scores = model.score_variant(
    interval=interval,
    variant=variant,
    variant_scorers=[variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']],
)
df = variant_scorers.tidy_scores(scores)
print(df[['gene_name', 'track_name', 'raw_score', 'quantile_score']].head())
```

`quantile_score` は、gnomAD v3のいずれかの集団でMAF＞0.01の変異約30万件を背景分布として、スコアラー・トラックごとに求めた相対順位に基づく値です。ただし、掲載例のRNA-seqのような符号付きスコアでは、分位確率を-1から1の範囲へ線形変換するため、値をそのままパーセンタイルとして読むことはできません。公式FAQは「異常に大きいか」の判定にquantile\_scoreを、同じスコアラー・同じトラックで効果の大きさを比較する際にはraw\_scoreを使うよう勧めています。推奨スコアラーは0.11.0で19種類あり、出力タイプごとの基本形に加えて、発現している遺伝子だけを見る `RNA_SEQ_ACTIVE` などの派生や `POLYADENYLATION` が含まれます。可視化はSDK付属の `plot_components` で行い、その下では[Matplotlib](/tech/details/3125/)が描画しています。複数の変異を組み合わせた効果（ハプロタイプ）は標準APIでは扱わず、全変異を入れた配列を自分で作って比べる方法が公式Colabにあります。

### APIキーの検証タイミングと初回呼び出しのエラー

`dna_client.create()` はキーを検証しません。0.11.0でダミーのキーを渡すと `create()` は成功し、最初の `predict_interval()` で `StatusCode.INVALID_ARGUMENT`（API key not valid）のgRPCエラーになりました。後述のAtlasクライアントも同じで、`atlas.create()` は通り、最初の問い合わせで `ValueError: API key not valid. Please pass a valid API key.` が出ます。バッチ処理では、本処理の前に16KBの小さな区間で1回予測し、APIキーと疎通を確認します。これにより、キーの誤りや接続設定の問題を本処理の開始前に検出できます。

## AlphaGenome Atlas：90億の一塩基変異を事前計算

2026年9月8日に[公開された](https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/)AlphaGenome Atlasは、ヒトゲノムで起こりうるすべての一塩基変異、約90億件の予測をまとめた1PB（ペタバイト）のデータセットです。DeepMindは、AlphaFoldのデータベースの30倍を超える規模だとしています。ウェブポータル、AlphaGenome API、Google Antigravityのスキルから使え、ウェブポータルは非商用向けです。

### AVIスコアとEnsembl VEPへの統合

同時に公開された**AVI（AlphaGenome Variant Impact）スコア**は、AlphaGenomeの予測とタンパク質を変える変異の影響を予測するAlphaMissenseを組み合わせ、変異ごとの影響を1つの数値にしたものです。コード領域と非コード領域の変異を同じ物差しで並べられます。[Ensemblは同日](https://www.ensembl.info/2026/09/08/alphagenome-variant-impact-scores-integrated-into-ensembl-vep/)、AVIスコアをVEP（Variant Effect Predictor）に統合したと発表しており、VEPのパイプラインを使っている研究室はプラグインで取り込めます。Atlasの論文は[medRxivに2026年9月20日付で掲載されたプレプリント](https://www.medrxiv.org/content/10.64898/2026.09.16.26363192v1)で、てんかん性脳症の希少疾患症例の解決に役立った例が報告されていますが、まだ査読前である点は割り引いて読む必要があります。

### Atlasのスコア取得手順：Pythonクライアントでの問い合わせ

SDKには0.9.0からAtlas用のクライアント `alphagenome.atlas` が入っており、モデルの推論を待たずに事前計算済みのスコアを取得できます。キーはモデル予測と同じAPIキーです。問い合わせの単位は、1変異の `query_variant`、変異の一覧を並列で引く `query_variants`、区間内の全変異を引く `query_interval` の3つです。

```
from alphagenome.atlas import atlas
from alphagenome.data import genome

client = atlas.create('YOUR_API_KEY')

# 使えるスコアラー名と、符号付きかどうかを確認する
metadata = client.scorer_metadata()
for name, meta in metadata.items():
    print(name, meta.is_signed)

variant = genome.Variant.from_str('chr22:36201698:A>C')
result = client.query_variant(
    variant,
    requested_scorers=list(metadata),  # 必要なものだけに絞ってよい
    ontology_terms=['UBERON:0001157'],
)
for scorer_name, adata in result.items():
    print(scorer_name, adata.shape)
```

戻り値はスコアラー名をキーにしたAnnDataの辞書です。0.11.0のソースでは、スコアが `X`、分位スコアが `layers['quantiles']`、変異と遺伝子の情報が `obs`、トラックの情報が `var` に入ります。`gene_names=['TAL1']` のように遺伝子名で絞り込むこともできます。`query_interval` は区間を32塩基ずつに分けて既定10スレッドで並列に取得し、進捗を「区間長×3通りの置換」で数えます。1万塩基の区間なら約3万変異になるため、遺伝子全体を引く前に小さな区間で応答の大きさを確かめます。0.10.0では、AVIスコアの内訳を積み上げ棒で描く `FeatureContribution` と、変異ごとに1つのスコアを棒で描く `ScoreBar` が可視化部品に追加されました。

## AlphaGenomeを使うべきでない場面と既知の制約

AlphaGenomeの予測は、実験で確かめる候補を絞るためのものです。次の用途に使うのはやめるべきです。

- **臨床判断**：利用規約は、予測を臨床上の意思決定や医療上の助言に使うことを禁じています。Google Cloud版のドキュメントも「臨床診断用として意図も承認もされていない」と明記しています。
- **個人ゲノムの解釈**：公式FAQは、個人のゲノムに対する予測は「まだベンチマークされていない」としています。さらに1本の配列しか入力できず、両親のどちらから受け継いだアレルかを区別しないデータで学習しているため、ヘテロ接合の状態をそのまま表現できません（[公式FAQ](https://www.alphagenomedocs.com/faqs.html)）。
- **参照ゲノムから大きく離れた配列**：評価されているのはSNPや小さな挿入・欠失までで、構造変異や合成DNA、Nで大量に埋めた配列は信頼性が下がるとFAQは注意しています。
- **自社データでの再学習**：Google Cloud版はファインチューニングに対応しない推論専用です。公開重みは手元で学習し直せる構成ですが、非商用組織に限られます。
- **出力を使った別モデルの学習や商用サービス**：APIの出力とAtlasの情報は非商用限定で、他の機械学習モデルの学習に使うことも禁じられています。ダウンロード配布物の一部に例外があるため、商用で使うなら規約の該当条項を個別に確認します。

性能面でも、組織特異的な効果と10万塩基を超える遠い制御領域の効果は、改善したもののまだ難しいとDeepMind自身が認めています。1回の予測で見えるのは1Mbの範囲内の相互作用だけです。また予測できるのは分子レベルの変化までで、身長や疾患リスクのような複雑形質への影響を直接予測するものではありません。

## AlphaFold・AlphaMissenseとの違いと選び分け

DeepMindの生物学モデルは、扱う対象で役割が分かれています。AlphaFoldはタンパク質などの立体構造、AlphaMissenseはアミノ酸を置き換えるミスセンス変異の病原性、AlphaGenomeはゲノムの約98%を占める非コード領域を含む配列が遺伝子調節に与える影響を予測します。タンパク質の形を知りたいなら[AlphaFold 3のインストールと商用利用の条件](/tech/details/4414/)を、変異がどの遺伝子の発現やスプライシングを変えるかを知りたいならAlphaGenomeを選びます。両方にまたがる変異の順位付けには、AlphaMissenseと統合済みのAVIスコアが使えます。

創薬の文脈では、化合物の性質予測を扱う[Tx-LLM・TxGemma](/tech/details/5440/)など、言語モデル系の取り組みも並行して進んでいます。AlphaGenomeは文章で答えるモデルではなく、数値のトラックを返す予測器である点が大きな違いです。

## よくある質問

### AlphaGenomeは無料で使えますか？

非商用の研究目的なら、APIも公開重みも無料です。ただし公開重みは、大学や非営利の研究機関など非商用組織による利用に限られ、企業のための利用は認められていません。APIはAPIキーを取得して `pip install alphagenome` で使えます。商用利用はGoogle CloudのModel Garden経由で、有料サブスクリプションに加え、モデルをホストするエンドポイントとGPUのインフラ費用がかかります。料金の詳細はGoogle Cloudの営業窓口に確認してください。

### AlphaGenomeのモデル重みは公開されていますか？

2026年1月28日に公開されました。コードはGitHubの `alphagenome_research`、重みはKaggleとHugging Faceにあり、非商用のモデル規約への同意が必要です。推論にはNVIDIA H100以上が推奨されています。

### AlphaGenomeはColabで動きますか？

APIを呼ぶ形であれば動きます。公式のクイックスタートColabと可視化Colabが用意されており、APIキーを入れるだけで予測と描画を試せます。SDK 0.11.0はPython 3.11以上が必要です。重みを読み込んで手元で推論する場合、公式READMEはNVIDIA H100以上のGPUを推奨しています。

### AlphaGenomeで個人の遺伝子検査の結果を解釈できますか？

できません。個人ゲノムでの予測精度はまだ評価されておらず、利用規約で臨床判断への利用も禁じられています。遺伝子検査の結果は医療機関の専門家に相談してください。

### AlphaGenome Atlasとは何ですか？

ヒトゲノムで起こりうる約90億件の一塩基変異すべてについて、AlphaGenomeの予測を事前計算した1PBのデータセットです。2026年9月8日に公開され、変異の影響を1つの数値にしたAVIスコアも付いています。ウェブポータルは非商用向けで、PythonではSDKの `alphagenome.atlas` から引けます。

## 関連記事

- [AlphaFold 3のインストールと使い方｜v3.0.5の手順と商用利用の条件](/tech/details/4414/)
- [Tx-LLMとは？Googleの創薬LLMと後継TxGemma公開版の性能・使い方【2026年11月】](/tech/details/5440/)
- [GPT-Rosalindとは？GPT-6 Rosalindの料金・申請手順と日本での利用条件【2026年11月】](/tech/details/11839/)
- [pyGenomeVizの使い方｜BLASTとGenBankから比較ゲノム図を描くPythonコード【1.7.0】](/tech/details/6632/)

---

出典: [AlphaGenomeとは？使い方（API・Atlas・公開重み）と商用利用の範囲【2026年11月】](<https://www.issoh.co.jp/tech/details/10897/>)（株式会社一創）