Google Deepmind 发布了 AlphaGenome 2，这是一个用于基因组研究的新 AI 模型。它能预测遗传变异对特定人类细胞类型的影响，并且找到的相关基因变化数量几乎是其前代的两倍。
人体内的每个细胞都携带相同的 DNA 蓝图，但不同细胞类型会开启或关闭不同的基因。心肌细胞读取 DNA 的方式与免疫细胞不同。预测这些差异是基因组学中最大的未解问题之一。Google Deepmind 希望借助以下模型朝这一方向迈出重要一步：AlphaGenome 2。
这个新模型旨在预测 DNA 序列及其变异如何影响特定的人类细胞类型。据 Google Deepmind 称，它基于来自 68 种组织的超过 1.07 亿个单细胞图谱训练而成，意在帮助研究人员揭示疾病的细胞层面驱动因素。Google Deepmind，旨在帮助研究人员揭示疾病的细胞层面驱动因素。
AlphaGenome 2 从组织层面的概览转向单个细胞
它的前代AlphaGenome接收一段长达一百万个字母的 DNA 序列，并在同时涵盖多种组织的数千项实验中预测其特性。据 Google Deepmind 称，这种并行方法使模型的能力过于分散，难以捕捉亲缘关系相近的细胞类型之间的细微差异。
AlphaGenome 2 则改为一种条件模型。除了 DNA 序列之外，它还将特定的生物学状态作为额外输入，并针对那一种细胞类型计算影响。该系统基于来自人类和小鼠 68 种组织的超过 1.07 亿个单细胞图谱训练而成。
除了预测基因表达的强度之外，该模型还会计算 DNA 在细胞核中的物理包装方式，显示基因组中哪些区段是可及的。它现在还能预测 DNA 甲基化——一种充当分子开关、用于沉默或激活基因的化学标记。
AlphaGenome 2 还能从单次测量中推断缺失的数据。例如，如果研究人员只测量了某个细胞的基因活性，该模型就能为其他特性提供预测，比如某些 DNA 区段被包装得有多紧密或多松散。这有助于研究人员决定接下来哪些实验室实验值得开展。
AlphaGenome 2 更精准地定位疾病基因和疫苗反应
在包含 28 种原代免疫细胞类型的 TenK10K 基准数据集上，AlphaGenome 2 识别出了约 30% 的因果变异。在 43% 的案例中，它还正确预测了某个变异是上调还是下调基因。经过微调的 AlphaGenome 1 仅达到 16% 和 23%。该系统还能对连续变化（如血液干细胞成熟为红细胞）进行建模，准确度显著更高。
该模型完全通过计算，复现了此前在一项研究中发现的炎症性肠病机制。它精确定位了调控开关中一个远离该基因的确切 DNA 变异，该变异会选择性地使肠道巨噬细胞中的 ETS2 过度激活，而其他细胞类型和基因基本不受影响。
新架构的一个关键优势是无需重新训练即可适应全新的实验。研究人员只需输入来自几十个细胞的基因活性数据，模型就能计算出该此前未见过的细胞状态下的效应。据 Deepmind 称，它往往能胜过直接在该数据上训练的专用模型。
应用于一项 COVID-19 mRNA 疫苗研究的数据时，该模型能可靠地区分疫苗激活的 T 细胞与静息 T 细胞，并表明一个与重症 COVID-19 病例相关的基因变异主要在激活状态下破坏细胞活动。在静息细胞中，这种效应原本会不可见。
Deepmind 的预计算预测旨在连接人类遗传学与细胞生物学
Deepmind 已经为数百种细胞和组织条件预计算了预测，部分是为了支持AI 驱动的药物研发预计算的预测结果还能帮助研究人员分析全基因组关联研究（GWAS）。这类大规模研究将 DNA 区域与身高或 2 型糖尿病等性状关联起来，但通常只能在基因组的较大区段内粗略定位信号。AlphaGenome 2 能缩小可能的因果变异范围，并识别受影响的细胞类型，例如大脑中的星形胶质细胞或特定的免疫细胞。当模型足够自信时，它还会预测某个突变是上调还是下调基因，这是药物开发的一项重要能力。
AlphaGenome 2 现已通过 API 向非商业研究开放，商业用户则可通过封闭预览获取访问权限。该系统尚未获批用于临床诊断。Deepmind 还计划很快在其智能体开发平台 Google Antigravity 上推出专门的 AlphaGenome 2 功能，届时该模型将与Gemini 4等工具结合，用于自动化研究工作流。