Google DeepMind 於 11 月 11 日發布 AlphaGenome 2，新一代的基因組模型，用以預測 DNA 序列及其變異如何影響特定的人類細胞類型與細胞狀態，被定位為幫助科學家找出疾病細胞根源的強大新工具。
發布重點
從組織平均下沉到單一細胞
- 第一代 AlphaGenome 一次把百萬字母的 DNA 序列對照數千個實驗、橫跨多個組織做平行預測，雖有效率，卻把模型容量攤薄、難以捕捉相近細胞類型之間的細微差異。
- AlphaGenome 2 徹底改寫架構，改為條件式模型：除了百萬字母 DNA 序列外，將「目標生物條件」（特定組織、細胞類型或細胞狀態）在架構每一層都當作輸入，因此能學會同一段 DNA 在不同細胞裡如何被不同地解讀。
資料規模與辨識能力
- 訓練資料橫跨人類與小鼠的大量與單細胞數據，含超過 1.07 億個細胞樣本、涵蓋 68 種組織。
- 在 TenK10K 資料集（28 種初級免疫細胞類型的大型單細胞圖譜）上，AlphaGenome 2 辨識出的因果變異比例由舊版的 16% 提升到 30%，方向性基因效應由 23% 提升到 43%——近似翻倍的精度。
無需重訓練即可推廣
- 具**跨模態推算（cross-modality imputation）**能力：實驗若只輸入單細胞基因活性，模型可推測未量測的特性（如染色質可及性），協助研究人員排定下一步實驗。
- 可直接接納全新的單細胞實驗：研究人員上傳一份僅數十個細胞的單細胞 RNA-seq 快照，模型便會把該「細胞狀態」壓縮為表徵後對未見過的狀態進行條件化預測，表現可媲美甚至超越直接針對該資料集訓練或微調的模型。
- 官方示例：給定 COVID-19 mRNA 疫苗研究中的未見過單細胞資料，AlphaGenome 2 能區分疫苗活化的免疫 T 細胞與靜止 T 細胞，並揭示某個與重症 COVID-19 相關的變異，在細胞被活化時對基因活性的破壞更強。
疾病相關應用
- AlphaGenome 2 推翻了先前一項標誌性研究（Nature）的關鍵結論：某個位於遠端調控開關的變異，透過在腸道巨噬細胞中過度活化 ETS2 基因而導致發炎性腸道疾病（IBD）；模型在電腦上重現此發現，單獨指出因果變異，並顯示其選擇性提升腸道巨噬細胞中的 ETS2、而對其他細胞類型幾無影響。
- 可把全基因組關聯研究（GWAS）鎖定的寬泛 DNA 區段，進一步定位到因果變異、目標基因與作用的細胞類型，涵蓋身高、第二型糖尿病等多種複雜性狀。
為何重要
其一，把「靜態細胞圖譜」轉為「預測引擎」。全球如人類細胞圖譜（Human Cell Atlas）計畫已為數百萬細胞建立基因表現圖譜，但一直是描述性的；AlphaGenome 2 讓研究者得以在上頭「執行預測」，直接接通變異效應與未見過的細胞狀態——這是從描述生物學走向預測生物學的關鍵一步。
其二，細胞特異性是因果發現的關鍵。許多疾病相關變異只在特定細胞類型中作用，廣組織模型會把它們漏掉。AlphaGenome 2 的「條件式設計」拾回了這份解析度，直接回應轉譯研究中「變異在哪個細胞裡、影響哪個基因、往哪個方向」的核心提問。
其三，與智能體科學工具匯流。官方並預告將在 Google Antigravity 平台發布 AlphaGenome 2 Skills，讓「特化模型＋agentic 科學工具（Gemini 4）」協作加速研究——顯示深度學習下一個戰場正從語言與視覺，全面延伸到生命科學發現。
對研究者的啟示
- AlphaGenome 2 現開放非商業研究（經 AlphaGenome API），商業研究則處於私人預覽階段；且官方明確聲明僅供研究用途、未經臨床或診斷驗證許可，勿直接當作臨床決策依據。
- 評測須留意基準語境：30% 對 16% 的比例提升適用於 TenK10K 免疫細胞資料集；不同資料集與細胞狀態下的泛化需自行複測。
- 對藥物開發、罕見疾病與複雜性狀研究者，其「變異→細胞類型→基因方向」的預計算分數可作為候選過濾與實驗排序的起點，但仍屬候選生成工具，最終需實驗驗證。
本文信息來源：Google DeepMind 官方部落格。