11月11日，谷歌DeepMind发布了新一代DNA序列模型AlphaGenome 2。它能预测一段DNA序列及其变异在特定人类细胞类型中的影响——不再是组织层面的平均值，而是精确到某一种细胞、某一种细胞状态。DeepMind表示，在免疫细胞测试中，它找出的致病相关变异接近上一代模型的两倍。
事件详情：从“组织平均”到“逐个细胞”
AlphaGenome 2的核心变化，是从“一次预测所有组织”改成了“一次只预测一种条件”。模型接收一段最长100万个碱基的DNA序列，再加一个生物学“条件”——可以是组织、细胞类型或细胞状态。条件既能从参考目录中选取，也能由研究者自己的单细胞实验数据通过细胞编码器现场生成，无需重新训练模型。
给定DNA序列和条件后，模型会预测多项分子层面的读数：基因表达、RNA剪接、染色质可及性、组蛋白修饰，以及这一代新加入的DNA甲基化。训练数据来自人类和小鼠的批量与单细胞样本，包含超过1.07亿个单细胞图谱，覆盖68种组织。
在基准测试上，DeepMind给出了具体数字。在TenK10K——一张覆盖28种原发免疫细胞类型的大规模单细胞图谱上，AlphaGenome 2在90%精确率下找回了30%的推定因果表达变异，而上一代模型经过单细胞数据微调后只能找回16%；对变异效应方向的判断正确率，也从23%提高到43%。
DeepMind还公布了两个疾病研究的实例。在炎症性肠病分析中，模型从一个包含7个变异的可信集中挑出rs2836882，把它与约29万个碱基之外的ETS2基因联系起来，并把预测效应定位到肠道单核细胞和巨噬细胞，复现了实验已经确立的作用机制。在一项新冠mRNA疫苗研究的单细胞数据上——这份数据模型此前从未见过——它区分出了疫苗激活的T细胞与静息T细胞，并对一个与重症新冠相关的变异在激活状态下预测出更强的效应。
获取方式上，AlphaGenome 2即日起向非商业研究开放，可通过AlphaGenome API使用，并附有交互式Colab教程；商业研究则处于私人预览阶段。DeepMind还计划推出AlphaGenome 2 Skills，把模型接入Google的智能体开发平台Antigravity，让基于Gemini 4的智能体在分析过程中直接调用它。
需要注意的是，DeepMind明确表示，AlphaGenome和AlphaGenome 2仅供研究使用，尚未经过验证或批准用于临床或诊断目的。另外，由于新模型的预测成本高于上一代，第一代AlphaGenome会继续提供服务；用第二代做全基因组范围的预计算图谱并不现实。
背景：为什么“细胞类型”这么关键
理解AlphaGenome 2的意义，要先看疾病相关变异大多长在哪里。全基因组关联研究找到的绝大多数疾病相关变异并不位于编码蛋白质的基因区，而是位于非编码区——它们不直接改变蛋白质结构，而是调控基因在何时、何地、以多大强度表达。而同一个变异，可能只在某一种细胞、甚至某种被激活的状态下才起作用。
这正是上一代模型的盲点。第一代AlphaGenome于2025年6月预览、2026年1月发表于《自然》，它一次并行预测多个组织的上千项实验，相当于给出组织层面的平均答案；配套的AlphaGenome Atlas则预先计算了人类基因组全部90亿种可能单碱基变化的预测。但如果某个变异的效应只存在于肠道巨噬细胞里，混在整个肠组织样本里，信号就会被稀释甚至淹没。
第二代的改动正在于此：技术论文显示，模型保留了第一代的U-Net加Transformer主干，但把“条件”注入了从编码器到解码器的每一层，让细胞身份从头到尾参与计算。而细胞编码器是最受实验室关注的功能——研究者只需提供自己的单细胞RNA测序数据，几十个细胞就可能够用（文档上限为每次调用256个细胞），就能定义一个新的预测条件。
影响与展望：AI正在走进实验室的日常工具
对科研界来说，AlphaGenome 2最直接的价值是解读全基因组关联研究的结果：把统计上与疾病相关的变异，定位到具体的细胞类型和作用机制，从而为药物靶点发现提供更精确的起点。炎症性肠病的实例表明，它有能力复现已知机制，这为用它探索未知机制提供了信心。接入Antigravity之后，基因组分析还有可能变成智能体工作流中的一个环节，而不是一次独立的计算任务。
但局限同样要说清楚。即使在90%精确率下，模型在测试中仍有七成因果变异没有被找回；所有成绩都是DeepMind自己的基准，发布当天尚无独立复现；模型给出的只是预测，不能直接指导临床决策。DeepMind自己也提醒，AlphaGenome 2不是上一代的替代品，而是面向不同问题的另一件工具。
放在更大的图景里看，这是DeepMind“AI读生命密码”路线上的又一步：从AlphaFold解析蛋白质结构，到AlphaGenome预测基因调控，再到AlphaGenome 2把预测精确到单个细胞类型，AI模型正在从聊天、写代码，变成实验室里可调用的日常工具。对中文读者而言，这场变化的意义并不遥远——当AI能告诉研究者“这个变异只在这种细胞里捣乱”，新药研发的起点就可能从“试”变成“算”。