Google DeepMind 于2026年11月11日宣布推出 AlphaGenome 2，这是一款新一代 DNA 序列模型，可预测 DNA 序列及其变异如何影响特定的人类细胞类型。据该公司介绍，该模型为科学家提供了一个揭示疾病细胞层面驱动因素的有力新工具，通过预测基因变异如何影响数百种人类细胞类型，将单细胞生物学与人类遗传学连接起来。

该公告由 DeepMind 研究员 Adam Gayoso、Natasha Latysheva、Pushmeet Kohli 和 Žiga Avsec 撰写，已发布于 Google DeepMind 博客，并附有技术报告（PDF）。

从共享的 DNA 蓝图到细胞特异性基因活动

人体内每个细胞都携带相同的 DNA 蓝图，但每种细胞类型和状态——例如心肌细胞或正在对抗感染的免疫细胞——会开启或关闭不同的基因以执行其功能。诸如 Human Cell Atlas 之类的全球性项目正在为数百万个细胞绘制基因表达图谱，但 DeepMind 指出，预测细微的 DNA 变异如何影响细胞内的基因表达仍是一个未解的难题，而这是人类性状与疾病的关键驱动因素。

去年，该公司推出了 AlphaGenome，这是一个预测 DNA 变异如何影响广泛组织中分子活动的模型，其底层研究发表于 Nature。随后，公司通过 AlphaGenome Atlas 扩展了该工具，该平台包含对人类基因组中所有90亿种可能的单碱基变化的预测。据 DeepMind 称，这些工具帮助研究人员对变异效应进行优先级排序和解读，推动了罕见病、复杂性状和基础生物学方面的发现。

通过将视角从广泛的组织平均值缩小到单个细胞类型和细胞状态，并重新设计模型架构，AlphaGenome 2 在变异预测性能上实现了公司所称的跨越式提升。它使研究人员能够在广泛组织模型中会被遗漏的疾病相关细胞中预测变异效应，也能对模型从未见过的细胞状态和疾病状态进行预测。DeepMind 报告称，与其之前的业界领先模型相比，AlphaGenome 2 识别的改变细胞内基因表达的变异数量接近两倍。该模型基于涵盖68种组织的超过1亿个单细胞图谱进行训练，将静态的细胞图谱转化为公司所描述的人类遗传学预测引擎。

自公告发布起，AlphaGenome 2 已通过 AlphaGenome API 向非商业研究开放，商业研究处于私测阶段。

为特定细胞类型打造的条件化架构

第一代 AlphaGenome 接收一段100万个字母的 DNA 序列，同时预测来自多种组织的数千个实验的属性。DeepMind 表示，尽管高效，这种并行方式分散了模型容量，使其难以捕捉密切相关的细胞类型之间的细微差异。

AlphaGenome 2 从根本上重新设计了细胞类型的处理方式。它不再进行并行预测，而是一个条件化模型，一次针对一种条件预测 DNA 效应——这里的条件定义为一种组织、细胞类型或状态。除了百万字母的 DNA 序列外，模型在其架构的每个阶段都将目标生物学条件作为输入。该条件可以从细胞类型参考目录中选择，也可以通过 DeepMind 的细胞编码器从科学家自己的单细胞实验中实时生成。这种设计使模型能够学习同一段 DNA 在不同细胞类型中被如何不同地解读。

条件化方法还支持跨模态填补——即预测缺失的实验数据。由于模型将细胞的生物学状态与其输出分离，科学家只需输入一种测量数据（例如单细胞基因活性），即可获得未测量属性（如染色质可及性）的预测。公司表示，这可以帮助研究人员确定下一步应优先进行哪些实验。

该模型基于来自人类和小鼠样本的批量与单细胞数据进行训练，包括超过1.07亿个单细胞图谱。超越了原始模型的广泛组织平均值，AlphaGenome 2 能够解析特化细胞内部的活动——例如特定的心肌细胞或血液免疫细胞——从而帮助发现仅在特定细胞类型中起作用的关键 DNA 变异。它预测的核心 DNA 功能实验读出指标与原始 AlphaGenome 相同——基因表达、组蛋白修饰和染色质可及性——同时新增了 DNA 甲基化，公司称这是一项被广泛要求的读出指标。

据 DeepMind 介绍，该模型的一大亮点是无需重新训练即可直接适应新的单细胞数据，从哪怕少量的细胞样本中预测 DNA 变异在新分析的细胞状态中如何发挥作用。

业界领先的细胞类型预测与变异召回能力

DeepMind 报告称，AlphaGenome 2 在预测特定细胞中的基因调控方面显著提升，帮助研究人员精确定位与疾病相关的变异。

更高的细胞类型特异性。 在训练数据之外的基因组区域上，该模型对同一组织内不同细胞类型之间基因表达差异的解释能力显著增强，能够追踪基因表达的连续变化——例如人类造血干细胞成熟为红细胞和免疫谱系的过程。公告通过一张红细胞成熟（造血过程）的基因表达热图展示了这一点，其中 AlphaGenome 2 的预测比在单细胞数据上微调的第一代模型更接近行归一化（Z 分数）的观测值。

更优的变异效应预测。 在 TenK10K 数据集——一个涵盖28种原代免疫细胞类型的大型单细胞图谱上，AlphaGenome 2 可靠地识别出的因果变异数量（30% 对 16%）和方向性基因效应数量（43% 对 23%）接近在单细胞数据上微调的原始 AlphaGenome 及其他专用工具的两倍。DeepMind 表示，这种精确度帮助研究人员发现以往被忽略的候选变异，带来新发现。

精确定位疾病相关变异。 一项近期的里程碑式研究表明，一个位于远处调控开关的变异通过过度激活肠道免疫细胞（巨噬细胞）中的 ETS2 基因来驱动炎症性肠病（IBD）。通过对肠道中多种免疫细胞类型进行预测，AlphaGenome 2 在计算上重现了这一发现：它筛选出了因果变异，并表明该变异选择性地增强肠道巨噬细胞中的 ETS2，而对其他细胞类型和基因基本没有影响。

无需重新训练即可分析新的细胞类型和状态

AlphaGenome 2 还能在无需重新训练的情况下泛化到全新的单细胞实验。科学家可以仅上传几十个细胞的单细胞 RNA-seq 基因活性快照；这些基因活性随后被压缩为细胞状态表示，用于使模型适应未见过的状态。据 DeepMind 称，AlphaGenome 2 的表现可以匹敌甚至超越直接在这些数据集上训练或微调的模型。

这使模型能够预测新细胞状态（例如由疾病或疫苗接种产生的状态）下的变异效应和基因调控。例如，面对一项 COVID-19 mRNA 疫苗研究中未见过的单细胞数据，AlphaGenome 2 区分了被疫苗激活的免疫 T 细胞与静息状态的细胞。它还揭示，一个与重症 COVID-19 相关的变异在细胞处于激活状态时对基因活动的干扰更强——这种效应在未激活的细胞中会被遗漏。

连接人类遗传学与单细胞生物学

DeepMind 将更好地理解疾病视为人类遗传学与细胞生物学之间的联系，这需要将全基因组关联研究（GWAS）发现的数千种性状和疾病相关变异与人体的单细胞图谱对接。为帮助研究人员无需自行运行大规模计算即可建立这些联系，公司为数百种人类细胞和组织条件下的性状相关变异预计算了 AlphaGenome 2 的预测结果，解决了两大挑战：

• 在真实人类细胞类型中绘制增强子-基因连接图。 许多与疾病相关的变异位于称为增强子的远处调控开关中，使其效应难以追踪。由于实验性 CRISPR 筛选大多使用稳定的实验室培养细胞系，科学家往往缺乏人体内特定细胞的这类连接图。AlphaGenome 2 将增强子-基因映射扩展到原代人类细胞类型——例如支持和保护神经元的大脑星形胶质细胞——帮助研究人员在疾病发生的特定细胞中，将调控变异与其目标基因联系起来。
• 精确定位因果 GWAS 变异及其作用的细胞。 GWAS 会标记与疾病相关的广泛 DNA 区段，但研究人员并不总能以高置信度找到确切的因果变异、目标基因和细胞类型。在从身高到2型糖尿病的多种复杂性状中，AlphaGenome 2 预计算的变异评分帮助精确定位最可能 involved 的具体变异和细胞类型。在有把握时，模型还能准确预测变异是将某个基因的活动上调还是下调——公司称这是理解该基因如何促成疾病的关键线索。

博客文章中还包含了这段陈述，说明了药物研发团队为何关注 DNA 序列预测模型："Human genetics is one of the most powerful tools in drug discovery. GWAS is central to that but it is difficult to move from an association signal to what a drug programme needs. DNA sequence prediction models are an important tool in helping bridge that gap, and AlphaGenome 2 represents an impressive advance in the field. We look forward to incorporating it in our Mystra platform."

与科学界共同展望未来

随着科学家在单细胞层面对人体进行更深入的绘制，DeepMind 预计 AI 模型将持续变得更加强大。通过与 Wellcome Sanger Institute 研究人员等的持续合作，公司正致力于分析更广泛的人类细胞类型、发育谱系和受扰动的细胞状态。

AlphaGenome 2 以及用于表达条件化的交互式 Colab 教程，已通过 AlphaGenome API 向非商业研究开放，商业研究处于私测阶段。DeepMind 还表示，将很快在其智能体开发平台 Google Antigravity 中发布 AlphaGenome 2 Skills，将 AlphaGenome 2 等专用模型与 Gemini 4 等智能体科学工具相结合，帮助科学家加速研究并取得新发现。

公司感谢其可信测试者社区以及帮助创建训练数据集的众多研究人员。公司邀请社区通过一份表单在11月30日前提交有趣的 AlphaGenome 2 用例；入选项目可能有资格获得额外的配额和额度。塑造未来路线图的反馈可以在社区论坛中分享。

公司指出，AlphaGenome 和 AlphaGenome 2 仅供研究使用，尚未经过临床或诊断用途的验证或批准，这意味着其预测旨在指导科学研究，而非医疗决策。

致谢

据博客文章介绍，核心研究工作得益于以下人员的贡献：Adam Gayoso、Anne Mottram、Alexander Karollus、Guido Novati、Pavol Drotár、John Reid、Laetitia Meng-Papaxanthos、Adam Kosiorek、Eirini Arvaniti、Vincent Dutordoir、Soham De、Tom Ward、Lai Hong Wong、Matteo Perino、Kyle Taylor、Jun Cheng、Natasha Latysheva、Joshua Pan、Dhavanthi Hariharan、Clare Bycroft、Lauren Nicolaisen、Demis Hassabis、Pushmeet Kohli 和 Žiga Avsec。

DeepMind 还感谢以下人员提供的支持与反馈：Gabriella Stanton、Charlie Taylor、Raina Thomas、Lucas Tenório、Antonio García、Joseph Powell、Angli Xue、Trygve Bakken、Nelson Johansen、Junyue Cao、Ziyu Lu、Jacob Hepkema、Leopold Parts、Irina Voineagu、Souradeep Basu、Michal Zielinski、Jeff Cao、Ioannis Sarropoulos、Sarah Teichmann、Amanda Stafford 和 Eliseo Papa。此外还感谢 Evie Gray、Adriana Fernandez Lara、Alex Wilkins、Danielle Breen、Dimple Vijaykumar、Muinat Abdul、Chris Kwaku-Abdullahi、Kathryn Seager、Ryan Smith、Ross West 和 Gaby Pearl 在传播这项工作中的专业贡献。