谷歌发布 AlphaGenome 2：转向细胞级 DNA 预测，变异识别指标接近翻倍

据 IT之家 11 月 11 日报道，谷歌 DeepMind 发布新一代 DNA 序列模型 AlphaGenome 2，将基因变异影响的预测尺度，从宽泛的组织平均水平推进到具体细胞类型与状态。模型面向科研人员，旨在帮助寻找疾病背后的细胞调控因素，目前已通过 AlphaGenome API 向非商业研究开放，商业研究处于私密预览阶段。

从“看组织平均值”转向理解具体细胞

人体不同细胞携带相同的 DNA 蓝图，却会通过开启或关闭不同基因执行各自功能。因此，同一处 DNA 变异，在一种细胞中可能影响明显，在另一种细胞中却几乎没有作用。组织层面的平均预测，可能掩盖这些与疾病有关的细微差异。

AlphaGenome 2 的关键变化是采用条件式模型架构：不再同时面向多类组织并行输出，而是每次针对一种组织、细胞类型或细胞状态预测。除百万字母长度的 DNA 序列外，目标生物条件也会进入模型的各个阶段，使其学习同一段序列在不同细胞环境中的作用。

来源显示，新模型使用人类与小鼠的组织块及单细胞数据训练，覆盖 68 类组织，纳入超过 1.07 亿个单细胞图谱。它保留基因表达、组蛋白修饰、染色质可及性等预测指标，并新增 DNA 甲基化预测能力。

“接近翻倍”对应哪些测试结果？

在覆盖 28 类原代免疫细胞的 TenK10K 单细胞数据集测试中，AlphaGenome 2 的两项变异效应指标较初代明显提高：

• 识别到的因果变异占比由 16% 提升至 30%。
• 基因效应方向判断准确率由 23% 提升至 43%。
• 模型还能更好区分同一组织内不同细胞类型的基因表达差异，并追踪造血细胞成熟过程中的表达变化。

这些结果支持其在特定任务上接近翻倍的提升，但不等于所有致病变异的检出率都翻倍，也不能直接视为临床诊断准确率。其直接价值，是为研究人员筛出更多值得实验验证的候选变异。

在炎症性肠病相关案例中，模型在计算层面复现了既有研究结论：一处远端调控序列变异，会选择性增强肠道免疫巨噬细胞中的 ETS2 基因活性，而对其他细胞类型和基因影响较小。

科研影响：从静态图谱走向可预测工具

另一项值得关注的能力是对未见细胞状态的泛化。据报道，研究人员仅需提供数十个细胞的单细胞 RNA 测序活性快照，模型即可生成细胞状态表征，无需重新训练便开展预测。它还支持跨模态数据填充，例如根据基因活性预测尚未测量的染色质可及性，为后续实验提供线索。

从 AI 工具演进看，AlphaGenome 2 的意义不只是扩大训练数据，而是用生物条件约束预测任务，让模型更贴近研究者真正关心的细胞环境。这有望帮助缩小疾病机制研究的搜索范围。不过，计算预测仍是提出和排序假设的工具，具体变异是否导致疾病、能否成为干预靶点，仍需后续实验与临床证据确认。