Google DeepMind 於 2026 年 11 月 11 日宣布推出 AlphaGenome 2，這是一個次世代 DNA 序列模型，可預測 DNA 序列及其變異如何影響特定的人類細胞類型。該公司表示，此模型為科學家提供了一個強大的新工具，可用於揭示疾病的細胞層面驅動因素，透過預測基因變異如何影響數百種人類細胞類型，連結單細胞生物學與人類遺傳學。

這項公告由 DeepMind 研究人員 Adam Gayoso、Natasha Latysheva、Pushmeet Kohli 與 Žiga Avsec 撰寫，已發布於 Google DeepMind 部落格，並附有技術報告（PDF）。

從共享的 DNA 藍圖到細胞特異性的基因活動

人體內每個細胞都攜帶相同的 DNA 藍圖，但每種細胞類型與狀態——例如心肌細胞，或對抗感染的免疫細胞——會開啟或關閉不同的基因以執行其功能。諸如 Human Cell Atlas 等全球性計畫正在為數百萬個細胞繪製這種基因表現圖譜，但 DeepMind 指出，預測微小的 DNA 變異如何影響細胞內的基因表現，仍是尚未解決的難題，而這正是人類性狀與疾病的關鍵驅動因素。

去年，該公司推出了 AlphaGenome，一個可預測 DNA 變異如何影響大範圍組織分子活動的模型，其基礎研究已發表於 Nature。隨後，公司又以 AlphaGenome Atlas 擴充此工具，該平台包含人類基因組中所有 90 億種可能單字母變化的預測結果。DeepMind 表示，這些工具可協助研究人員排定與解讀變異效應的優先順序，推動罕見疾病、複雜性狀與基礎生物學的發現。

透過從大範圍組織平均值聚焦至個別細胞類型與細胞狀態，並重新設計模型架構，AlphaGenome 2 在變異預測性能上實現了該公司所稱的階躍式提升。它讓研究人員能夠預測大範圍組織模型會遺漏的疾病相關細胞中的變異效應，以及模型從未見過的細胞與疾病狀態。DeepMind 表示，AlphaGenome 2 所識別出的、會改變細胞內基因表現的變異數量，幾乎是其前一個最先進模型的兩倍。此模型以橫跨 68 種組織、超過 1 億個單一細胞圖譜進行訓練，將靜態細胞圖譜轉化為該公司所描述的人類遺傳學預測引擎。

自公告發布起，AlphaGenome 2 已透過 AlphaGenome API 開放非商業研究使用，商業研究則提供私人預覽。

為特定細胞類型打造的條件式架構

第一代 AlphaGenome 接收一段 100 萬字母的 DNA 序列，同時預測來自多種組織的數千項實驗的性質。DeepMind 表示，這種平行做法雖然高效，卻分散了模型的容量，使其難以捕捉密切相關細胞類型之間的細微差異。

AlphaGenome 2 徹底重新設計了細胞類型的處理方式。它不再平行預測，而是一個條件式模型，一次針對一種條件預測 DNA 效應——條件定義為一種組織、細胞類型或狀態。除了 100 萬字母的 DNA 序列之外，模型在架構的每個階段都以目標生物條件作為輸入。該條件可從細胞類型的參考目錄中選擇，也可透過 DeepMind 的細胞編碼器，從科學家自己的單細胞實驗即時生成。這種設計讓模型能學習同一段 DNA 在不同細胞類型中如何被不同地解讀。

條件式方法還能實現跨模態填補——預測缺失的實驗數據。由於模型將細胞的生物狀態與其輸出分開，科學家只需輸入單一測量值，例如單細胞基因活動，即可獲得未測量性質的預測，例如染色質可及性。該公司表示，這有助於研究人員排定下一步實驗的優先順序。

此模型以來自人類與小鼠樣本的大量（bulk）與單細胞資料訓練，包含超過 1.07 億個單一細胞圖譜。超越原模型的大範圍組織平均值，AlphaGenome 2 能夠解析特化細胞內部的活動——例如不同的心肌細胞或血液免疫細胞——協助找出僅在特定細胞類型中發揮作用的關鍵 DNA 變異。它預測與原版 AlphaGenome 相同的 DNA 功能核心實驗讀值——基因表現、組蛋白修飾與染色質可及性——同時新增 DNA 甲基化，該公司稱這是廣受要求的讀值。

DeepMind 認為，此模型的一大亮點是無需重新訓練即可直接適應新的單細胞資料，即使只有少量細胞樣本，也能預測 DNA 變異在新測序細胞狀態中的作用。

最先進的細胞類型預測與變異召回

DeepMind 表示，AlphaGenome 2 在預測特定細胞的基因調控方面有顯著提升，協助研究人員精確找出與疾病相關的變異。

更佳的細胞類型特異性。 在訓練資料之外的基因組區域上，此模型能解釋更多同一組織內細胞類型之間基因表現差異的機制，追蹤基因表現的連續變化——例如人類血液幹細胞成熟為紅血球與免疫譜系的過程。公告以紅血球成熟（造血作用）的基因表現熱圖說明這一點，其中 AlphaGenome 2 的預測比以單細胞資料微調的第一代模型更接近行標準化（Z 分數）的觀測值。

更佳的變異效應預測。 在 TenK10K 資料集——一個涵蓋 28 種主要免疫細胞類型的大型單細胞圖譜上，AlphaGenome 2 可靠地識別出的因果變異（30% 對 16%）與方向性基因效應（43% 對 23%）數量，幾乎是以單細胞資料微調的原版 AlphaGenome 及其他專門工具的兩倍。DeepMind 表示，這種精確度有助於研究人員找出被忽略的候選變異，促成新發現。

精確定位疾病相關變異。 最近一項里程碑研究顯示，一個位於遠端調控開關的變異，會透過過度活化腸道免疫細胞（巨噬細胞）中的 ETS2 基因而驅動發炎性腸道疾病（IBD）。透過對腸道中多種免疫細胞類型進行預測，AlphaGenome 2 以計算方式重現了這一發現：它挑出了因果變異，並顯示該變異選擇性地增強腸道巨噬細胞中的 ETS2，而對其他細胞類型與基因幾乎沒有影響。

無需重新訓練即可分析新的細胞類型與狀態

AlphaGenome 2 無需重新訓練即可推廣至全新的單細胞實驗。科學家可以上傳僅數十個細胞的基因活動單細胞 RNA-seq 快照；這些基因活動會被壓縮為細胞狀態表示，用以使模型適應未見過的狀態。DeepMind 表示，AlphaGenome 2 的表現可與直接在這些資料集上訓練或微調的模型相媲美或更優。

這使模型能夠預測新細胞狀態（例如疾病或疫苗接種所產生的狀態）下的變異效應與基因調控。例如，針對一項 COVID-19 mRNA 疫苗研究中未見過的單細胞資料，AlphaGenome 2 能區分被疫苗活化的免疫 T 細胞與靜息狀態的 T 細胞。它還揭示，一個與重症 COVID-19 相關的變異，在細胞處於活化狀態時對基因活動的干擾更強——這種效應在未活化的細胞中會被遺漏。

連結人類遺傳學與單細胞生物學

DeepMind 將更深入理解疾病視為人類遺傳學與細胞生物學之間的連結，需要將全基因組關聯研究（GWAS）發現的數千個性狀與疾病相關變異，與不斷成長的人體單細胞圖譜連結起來。為協助研究人員無需自行進行大規模運算即可建立這些連結，該公司為數百種人類細胞與組織條件預先計算了性狀相關變異的 AlphaGenome 2 預測結果，解決兩大挑戰：

• 在真實人類細胞類型中繪製增強子–基因連結。 許多與疾病相關的變異位於稱為增強子的遠端調控開關中，使其效應難以追蹤。由於實驗性 CRISPR 篩選大多使用穩定的實驗室培養細胞株，科學家往往缺乏人體特定細胞的這類接線圖。AlphaGenome 2 將增強子–基因映射擴展至原代人類細胞類型——例如支持並保護神經元的大腦星形膠質細胞——協助研究人員在疾病發生的特定細胞中，將調控變異連結至其目標基因。
• 精確定位因果 GWAS 變異及其作用的細胞。 GWAS 會標記與疾病相關的大範圍 DNA 區段，但研究人員無法總是以高置信度找出確切的因果變異、目標基因與細胞類型。從身高到第二型糖尿病等多種複雜性狀，AlphaGenome 2 預先計算的變異分數有助於精確定位最可能相關的特定變異與細胞類型。在有把握時，模型還能準確預測變異是上調還是下調基因的活動——該公司稱，這是理解該基因如何促成疾病的關鍵線索。

這篇部落格文章也包含以下聲明，說明了藥物開發團隊關注 DNA 序列預測模型的原因：「人類遺傳學是藥物發現中最強大的工具之一。GWAS 是其核心，但從關聯訊號推進到藥物計畫所需的資訊十分困難。DNA 序列預測模型是協助彌合這一差距的重要工具，而 AlphaGenome 2 代表了該領域一項令人印象深刻的進展。我們期待將其整合到我們的 Mystra 平台中。」

與科學界共望未來

隨著科學家在單細胞層面繪製更多人體圖譜，DeepMind 預期 AI 模型將持續變得更加強大。透過持續的合作，包括與 Wellcome Sanger 研究所研究人員的合作，該公司正致力於測繪更廣泛的人類細胞類型、發育譜系與受擾動的細胞狀態。

AlphaGenome 2 以及表現條件化的互動式 Colab 教學，已透過 AlphaGenome API 開放非商業研究使用，商業研究則提供私人預覽。DeepMind 也表示，將很快在 Google Antigravity——其代理式開發平台——中發布 AlphaGenome 2 Skills，讓像 AlphaGenome 2 這樣的專門模型與 Gemini 4 等代理式科學工具相結合，協助科學家加速研究並做出新發現。

該公司感謝其可信測試者社群，以及協助建立訓練資料集的眾多研究人員。它邀請社群於 11 月 30 日前透過表單提交有趣的 AlphaGenome 2 使用案例；入選的專案可能有資格獲得額外的配額與點數。關於塑造未來路線圖的意見回饋，可在社群論壇分享。

該公司指出，AlphaGenome 與 AlphaGenome 2 僅供研究用途，尚未經過臨床或診斷用途的驗證或批准，這意味著其預測結果旨在引導科學研究，而非醫療決策。

致謝

根據部落格文章，核心研究工作由 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 與 Žiga Avsec 的貢獻完成。

DeepMind 也感謝以下人員的支持與回饋：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 與 Eliseo Papa。並進一步感謝 Evie Gray、Adriana Fernandez Lara、Alex Wilkins、Danielle Breen、Dimple Vijaykumar、Muinat Abdul、Chris Kwaku-Abdullahi、Kathryn Seager、Ryan Smith、Ross West 與 Gaby Pearl 在傳播這項工作上的專業協助。