同一段 DNA，在不同细胞里命运不同AlphaGenome 2 把预测拉到细胞级

标题：同一条 DNA 在不同细胞表达完全不同，AlphaGenome 2 实现细胞级遗传效应预测

DeepMind 最新发布的 AlphaGenome 2，解决了一个长期难题：人体所有细胞 DNA 序列一致，但细胞分化后读取、启用基因的方式完全不一样，前代模型只能给出整块组织的平均预测，而 AlphaGenome 2 改成条件式架构，可以把 DNA 序列搭配细胞类型、细胞状态一起输入，精准预判这段 DNA、以及上面的基因突变，在哪一类细胞里生效、会拉高还是压低基因表达；很多疾病相关突变只在巨噬细胞、T 细胞这类特定细胞起作用，老模型很容易直接漏掉这类信号，新版本把预测粒度压到细胞级别，识别因果变异的召回率直接翻倍。之所以能做到这个跨越，核心是训练数据升级和模型结构重做，它投喂了横跨 68 种组织、超过 1.07 亿条单细胞图谱，同时融合批量基因组功能数据，不再只输出一套通用结果；输入一段最长 1Mb 的 DNA，再指定目标细胞，就能预测染色质开放程度、基因表达、增强子和基因的连接关系，就算碰到训练时没见过的细胞状态，也能靠基因表达信息自行推断条件，不用重新微调模型。整套能力打通之后，科研人员可以定位炎症、免疫疾病对应的易感细胞，解释为什么同一个突变有的人发病、有的人没事，也能给后续湿实验缩小候选靶点范围。

一、两代 AlphaGenome 的核心差异对比

二、AlphaGenome 2 的核心工作原理

1. 条件输入绑定：每次预测同时送入两段信息，一段是最长 100 万碱基的 DNA 片段，另一段是细胞条件，包含组织来源、细胞类型、激活状态，比如静息 T 细胞、激活后的免疫巨噬细胞。
2. 学习细胞读取规则：模型学到同一 DNA 在不同表观环境下的开关逻辑，区分哪些增强子只在肠道免疫细胞激活基因，哪些在神经细胞完全静默。
3. 多模态预测输出：一次性输出基因表达量、染色质可及性、增强子 - 基因连接、突变效应方向。
4. 零迁移推断：拿到一组基因表达数据，模型自己反推当前是什么细胞状态，直接做预测，不用重新训练。
5. 批量生成变异图谱：提前计算数百种细胞里面，700 万常见突变的影响分数，方便科研检索。

三、关键实测效果与案例

• TenK10K 免疫细胞基准：在 28 类免疫细胞数据集上，90% 精度下，因果 eQTL 召回率从 16% 提升至 30%，效应方向判断准确率从 23% 提升至 43%。
• 炎症性肠病复现实验：精准定位变异 rs2836882，确认它只在肠道单核、巨噬细胞里上调 ETS2 基因，和过往实验室结论吻合。
• COVID 疫苗队列测试：区分静息 T 细胞与疫苗激活 T 细胞，捕捉到重症相关突变只在激活态才会显现更强效应。
• 跨组织泛化：对于训练集之外的细胞、疾病状态，依然有稳定预测能力。

四、AlphaGenome 2 的完整使用流程

1. 选定目标 DNA 区间，截取最长 1Mb 的序列，标注待评估的遗传变异。
2. 指定目标条件：选定组织、细胞类型，或是上传单细胞表达谱，交给模型自动推断细胞状态。
3. 调用模型预测：返回该条件下染色质开放、基因表达变化、增强子连接、突变正负效应。
4. 过滤候选变异：优先保留 “只在疾病相关细胞生效” 的位点，过滤全细胞无差别影响的位点。
5. 湿实验验证：用模型筛选后的小范围靶点，安排后续细胞、动物实验验证因果关系。

五、价值与现存局限

✅ 价值清单

• 解释细胞分化底层逻辑：回答相同 DNA 为什么发育成神经、免疫、上皮等完全不同细胞。
• 破解复杂遗传病难题：很多 GWAS 找到的风险位点是非编码区，只在特定细胞起效，现在可以定位发病细胞。
• 降低科研试错成本：把海量突变压缩成少量高置信候选，节省实验室资源。
• 生成可公开查询的细胞级变异图谱，服务全球遗传研究。

⚠️ 当前局限

• 仍然属于预测模型，输出结果不能直接等同于真实生物学事实，必须实验验证。
• 对非常罕见细胞、稀有细胞状态的预测稳定性偏弱。
• 暂时面向科研，没有进入临床诊断流程；商用通道仅为封闭预览。
• 只聚焦调控层面，不覆盖蛋白结构、下游代谢通路全部连锁反应。

六、开放访问方式

• 非商业科研：通过 AlphaGenome API 直接申请使用。
• 商业机构：提交申请进入私有预览队列。
• 配套资源：同步发布数百类细胞的增强子连接、常见变异效应预计算图谱。

【相关 FAQ】

问题 1：AlphaGenome 2 是怎么做到针对同一段 DNA，在不同细胞给出不一样的预测？

回答 1：AlphaGenome 2 采用条件式架构，输入 DNA 序列的同时附带细胞类型、细胞状态条件，依靠海量单细胞数据学到不同细胞读取基因组的规则，不再输出组织层面的平均结果，从而实现同一段 DNA 在不同细胞的差异化预测。

问题 2：AlphaGenome 2 和初代版本相比，在细胞级预测上最大提升是什么？

回答 2：AlphaGenome 2 在免疫基准测试里，同等精度下因果变异召回率接近翻倍，还支持对没见过的细胞、疾病状态直接推断，不需要重新微调，把遗传效应预测从组织平均推进到细胞级别。

问题 3：AlphaGenome 2 的细胞级 DNA 预测，能不能直接用来做遗传病临床诊断？

回答 3：AlphaGenome 2 的细胞级 DNA 预测目前只是科研工具，预测结果只是统计推断，不能直接作为临床诊断依据，所有风险位点都需要细胞实验、临床队列进一步验证。

问题 4：AlphaGenome 2 训练用到的单细胞数据规模是多少，覆盖范围如何？

回答 4：AlphaGenome 2 使用超过 1.07 亿个单细胞图谱训练，覆盖 68 种人体组织，同时包含人类和小鼠样本，是它能够支撑细胞级 DNA 预测的基础。

【参考资料】

[2026-11-11]（AlphaGenome 2: Deciphering how cells read DNA to better understand disease）Google DeepMind 官方博客

[2026-11-11]（AlphaGenome 2 predicts regulatory activity and variant effects across cell states）arXiv

[2026-11-12]（DeepMind 发布 DNA 模型：基因变异会影响哪种细胞？AI 正在给出答案）DeepTech 深科技

[2026-11-12]（谷歌 DeepMind 推出 AlphaGenome 2：从单细胞层面追踪疾病遗传线索）凤凰网科技

[2026-11-11]（Google DeepMind’s AlphaGenome 2 Predicts Cell-State Variant Effects）Unite.AI

【免责声明】

本文基于 DeepMind 官方博客、预印本论文以及公开科技报道整理；AlphaGenome 2 的细胞级 DNA 预测属于前沿科研模型，预测结果存在假阳性、泛化边界，不具备临床诊断效力；模型开放权限、API 调用规则会随官方政策调整，开展相关实验请以论文和官方文档为准。