AlphaGenome 2：把变异效应预测带入细胞类型与状态
DeepMind's ultra-powerful AI for genome mapping wows scientists
AlphaGenome 2 以 1 Mb DNA 和细胞状态为条件预测多组学效应，在特定免疫细胞基准上提高候选因果变异召回；但 30% 召回仍意味着约 70% 阳性遗漏，且模型未获准用于临床诊断。
技术发布：从通用序列预测转向细胞语境
DeepMind 于 11 月 11 日发布 AlphaGenome 2，Nature 同日进行报道。模型接收 1 Mb DNA 序列，并以组织、细胞类型或细胞状态为条件，预测基因表达、组蛋白修饰、染色质可及性和新增的 DNA 甲基化等效应。
一个关键变化是可以用研究者自己的单细胞表达数据作为条件而无需重新训练，使模型能够面向更细的细胞语境提出问题。本周内容属于新闻与厂商技术发布；未核实到 AlphaGenome 2 技术报告的独立 DOI 或同行评议证明。
模型与训练：长序列输入连接多组学输出
模型把长距离序列上下文与细胞条件共同映射到多种调控读出，目标是预测某个变异在特定细胞类型中可能改变什么，而不是只给出一个跨所有组织通用的分数。
官方资料称训练使用人、鼠 bulk 与单细胞数据，覆盖超过 1.07 亿个细胞谱和 68 种组织；Nature 报道的训练目录包含 637 种人类和 311 种小鼠细胞类型。数据规模有助于覆盖细胞异质性，但目录覆盖不等于每种状态都同样可靠。
基准结果：提升明显，但漏检仍然占多数
在 TenK10K 的 28 种原代免疫细胞基准中，官方报告在 90% precision 下，候选因果表达变异召回率为 30%，此前模型为 16%；在 90% 方向准确率下，方向性基因效应召回率为 43% 对 23%。
这些数字支持相对提升，却也显示证据边界：30% 召回意味着约 70% 的基准阳性仍未被检出。precision、召回率和方向准确率回答不同问题，不能把任一指标概括为笼统的“预测准确率”。
为什么重要：变异优先级排序获得细胞状态维度
大量非编码变异的功能依赖细胞环境。将变异效应与细胞类型、状态联合建模，可帮助研究者缩小候选集合、选择后续实验，并探索疾病相关调控在特定细胞群中的作用。
对 AI4S 而言，这也是“研究者数据作为条件”而非每次重新训练的一种实用接口。它可能降低特定细胞语境分析的技术门槛，但输入数据的代表性、批次效应和参考人群偏差仍需独立控制。
局限与开放边界：API 可用不等于模型开放或临床可用
官方将工具限定为研究用途，未验证或批准用于临床或诊断。API 面向非商业研究，商业访问为 private preview；未见可下载模型权重。客户端代码和文档的开放许可不能外推为模型权重开放。
IBD/ETS2 案例中“30 分钟对一年半实验”是研究者对特定项目的回顾，不是通用运行时间或效率基准。厂商基准需要独立复现，尤其要检查未检出的阳性、不同祖源和未见细胞状态上的性能。
对团队的启示：把模型用作候选生成器而非结论机器
适合的工作流是用模型缩小候选变异范围，再以独立队列、报告基因实验或扰动实验验证。报告中应同时给出召回率、precision、细胞状态和基准集，而不是只保留最优数字。
若纳入内部靶点评估，需额外审查 API 数据条款、商业许可和序列数据的隐私边界。未经确认的模型权重开放或临床适用性，不应写入合作或采购材料。
PRIMARY SOURCES
原始来源与延伸阅读
- 01Nature：DeepMind's AI for genome mapping 科学新闻 · DOI: 10.1038/d41586-026-03673-0 · 访问于 2026-11-12
- 02Google DeepMind：AlphaGenome 2 官方技术发布 厂商技术公告与基准 · 访问于 2026-11-12
- 03AlphaGenome API 客户端与文档仓库 开源客户端代码仓库 · 访问于 2026-11-12
版权与使用
Nature 新闻与技术报告未确认开放再利用许可；API 客户端代码 Apache-2.0、文档示例 CC BY 4.0 不等于模型权重开放。本报告与配图为原创。AI 辅助整理，建议团队终审。 本站不复制付费墙全文或新闻媒体图片；所有数据与结论请结合原始来源审阅。
TEAM DISCUSSION
团队评论
评论仅面向获批团队成员。登录后可查看团队讨论并发表评论；公开报告本身无需登录。
成员登录