谷歌基因AI升级：同一段DNA，换种细胞再看

心肌细胞和免疫细胞，可以拿着同一本DNA“说明书”，却做着完全不同的工作。原因之一是：它们打开、关闭基因的方式不同。

因此，要判断一个DNA字母变化会带来什么后果，光读序列还不够，还得问一句：它发生作用的，究竟是哪种细胞、什么状态？

北京时间2026年11月11日23:00，Google DeepMind公布AlphaGenome 2。这次升级瞄准的，正是基因研究里这个常被“平均值”掩盖的问题。

01　先找到细胞，再理解变异

想象一栋办公楼：每个房间都备着相同的操作手册，但财务室、机房和实验室，需要执行的章节不同。这只是理解基因调控的类比——相同的文字，在不同环境中，未必产生相同效果。

旧版AlphaGenome已经能读入长达约100万个字母的DNA，预测多种分子活动。不过，它主要学习整块组织或培养细胞系的数据，再同时预测一组预先设定好的输出。

这有点像知道整栋楼平均用了多少电，却不容易看清究竟是哪间房间在耗电。组织里少数细胞特有的信号，可能被平均掉。

二代模型把问题改成：给定这段DNA，在指定的细胞类型或细胞状态下，会出现什么调控活动？输入不只有DNA，还包括目标生物条件；技术报告同时明确了人或小鼠的物种输入。

它要预测的内容包括基因表达、染色质可及性等。前者可以简单理解为基因有多活跃；后者是DNA所在区域是否容易被细胞内的调控机器接近。二代还增加了DNA甲基化这一类读数。

02　16%到30%，真正变好的是什么？

DeepMind团队在技术报告中，使用单细胞评测数据集（TenK10K）的28类免疫细胞表达数据，比较了二代模型与经过单细胞数据微调的前代模型。

这里有两个不同的问题。第一个是：哪些变异更可能影响基因表达？第二个是：这种影响会把表达往上推，还是往下拉？

对于第一个问题，在精确率固定为90%时，召回率由16%升到30%。通俗地说，先把“挑出来的候选有多可靠”保持在同一个水平，再看能从评测中的目标里找回多少；二代找回的比例接近前代的两倍。

同一评测、同一精确率门槛下的召回率对比。原创数据示意。

对于影响方向，作者在方向判断正确率固定为90%时，报告召回率由23%提高到43%。这与上面的90%精确率不是同一个指标，不能混成一句“准确率翻倍”。

这些数字的科研意义在于：实验室往往没法把所有候选逐一做实验。如果在较高可靠性下，还能少漏掉一些目标，后续实验就有机会从更完整的候选名单出发。

03　不是最后加个标签，而是从前面就告诉模型

为什么细胞条件能带来变化？这次不是等DNA处理完了，再给结果贴上“免疫细胞”或“心肌细胞”的标签。

技术报告描述，细胞条件会进入模型的早期处理层，并贯穿编码、中央处理和解码过程。也就是说，模型从开始阅读这段序列时，就知道自己要回答哪一种生物环境里的问题。

作者还做了拆解比较：如果只在输出端或后面的解码层加入条件，改善很小；让条件进入更靠前的编码层和中央处理部分，才带来主要提升。这使得“把细胞状态放进去”不只是一个新输入框，而是模型处理信息方式的变化。

训练材料也跟着扩展。论文与公告列出了超过1.07亿个人类单细胞表达记录，覆盖68种组织；此外还结合了人和小鼠的组织级、单细胞相关数据。

更实用的一点是：研究者遇到新细胞状态时，可以提供该状态的单细胞基因活动数据，让细胞编码器把它转换成模型可理解的条件，不必为每一种新状态重新训练整套模型。

这回答的是一个真实需求：实验能测到的状态越来越多，而模型预先列好的类别，不可能永远跟上。

04　从“有哪些变化”，走向“在哪些细胞里起作用”

把这次工作与此前的AlphaGenome Atlas放在一起，路线就更清楚了。

AlphaGenome Atlas做的是大范围预计算：把人类基因组中可能发生的单字母变化，提前预测一遍，帮助研究者筛选和理解非编码变异。它更像一张广覆盖的查询地图。

AlphaGenome 2则在另一个维度上细分问题：同一个候选变化，在哪种细胞里更值得研究？前者强调覆盖面，后者强化细胞环境。两者有关联，但不是同一项资源换了名字。

例如，官方用炎症性肠病相关的ETS2调控机制说明新模型的作用：此前实验已经发现，一个远处调控区域的变异，会推动肠道巨噬细胞中的ETS2活动。二代模型在计算预测中重现了这一细胞类型相关的信号。

这个例子好理解：同一个调控开关，不是把全身所有房间的灯一起打开，而是在特定房间里更明显地起作用。它的价值，是把研究线索定位得更具体。

05　龙哥点评：AI开始学会问“在哪种环境下”

龙哥觉得，这次最值得关注的，不是又增加了一个“基因大模型”的名字，而是它把问题问得更像真正的生物学研究：同一段DNA，在什么细胞、什么状态下，影响什么活动？

很多AI系统习惯给出一个统一答案。但在科学问题里，环境经常就是答案的一部分。把所有状态平均起来，模型可能看似表现不错，却错过真正需要追查的那一小群细胞。

对做实验的人，更有用的结果未必是自动给出一个宏大结论，而是帮忙决定：有限的经费和时间，下一步先查哪个变异、哪种细胞、哪条调控链。这才是这类模型最值得争取的实际收益。

也要把成果放回合适的位置：上述性能数字来自作者的基准评测；候选变异的优先级不是临床诊断，计算预测也不等于又做出了一次独立生物实验。ETS2例子对应的是对既有实验机制的计算重现，不是这次才首次发现疾病原因。

发布公告明确，AlphaGenome 2面向非商业研究开放，商业研究处于私密预览，仅限研究用途；面向Antigravity的相关技能仍是后续计划。

接下来最值得等的，是独立实验室把这些候选带回真实实验：如果更多过去被平均值盖住的细胞信号能被找到，这次升级才会从更好的预测，走向更好的发现。

主要参考资料

Google DeepMind发布公告（2026年11月11日）

https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/

AlphaGenome 2 predicts regulatory activity and variant effects across cell states

https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/alphagenome-2.pdf

AlphaGenome Atlas: in silico mutagenesis of the entire human genome improves prioritization and interpretation of non-coding variants

https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/alphagenome-atlas.pdf

The Decoder对新模型的报道（2026年11月12日）

https://the-decoder.com/google-deepmind-shifts-genomics-ai-from-bulk-tissue-predictions-to-single-cell-type-resolution-with-alphagenome-2/

本文依据Google DeepMind公告、技术报告及相关公开报道整理，性能结果按作者评测归因。本文基于龙哥读论文PaperDaily数据库及PaperMiner的MCP进行汇总整理。

更多论文解读、公开证据评分与评分依据：https://www.longzhangge.com/PaperDaily