人体约 37 万亿个细胞共享同一套 DNA 蓝图，但心肌细胞规律收缩、神经元传递电信号、免疫细胞追杀病原体——它们各自开启和关闭不同的基因组合来完成截然不同的工作。一个关键的未解难题是：当 DNA 序列中出现一个微小变异时，它在心肌细胞里造成的后果，与在免疫细胞里造成的后果，可能完全不同。此前的基因组 AI 模型只能在”组织”这一粗粒度上做预测，无法捕捉细胞类型之间的差异。Google DeepMind 于 2026 年 11 月 11 日发布的 AlphaGenome 2，正是瞄准了这个分辨率瓶颈。

据 DeepMind 官方博客介绍，AlphaGenome 2 训练于超过 1 亿个单细胞图谱（individual cell profiles），覆盖 68 种人体组织，识别改变细胞基因表达的变异数量较前代模型近乎翻倍。The Verge 在独立报道中确认，该模型”better predicts how mutations affect different cells, potentially opening paths to treatment”。Nature 则以新闻报道形式覆盖此事，标题直接使用了”wows scientists”的措辞。

这篇文章将拆解 AlphaGenome 2 的架构变革、性能跃升、开放策略，以及它对精准医学路径的实质意义。

从组织平均值到单细胞分辨率：AlphaGenome 1 与 2 的代际差异

要理解 AlphaGenome 2 的意义，必须先明确前代模型的局限。

DeepMind 官方博客描述了 AlphaGenome 1 的工作方式：它接收一段 100 万字母长度的 DNA 序列，然后同时并行预测来自多种组织和细胞系的数千个实验的分子活性。这种并行输出的设计虽然高效，但存在容量分散问题——用 DeepMind 自己的话说，”this parallel approach spread the model’s capacity thin and made it hard to capture subtle differences between closely related cell types”（这种并行方法分散了模型的容量，使其难以捕捉密切相关的细胞类型之间的微妙差异）。

换言之，AlphaGenome 1 输出的是”组织级平均值”。当研究者想知道一个特定的 DNA 变异在心脏组织中的影响时，模型给出的是该组织内所有细胞类型的混合信号——心肌细胞、成纤维细胞、内皮细胞的效应被平均在一起。但许多疾病相关变异恰恰只在特定细胞类型中发挥作用，组织级别的平均预测会将这些信号淹没在噪声中。

AlphaGenome 2 对此进行了架构重设计。据 DeepMind 博客介绍，新模型是一个”条件模型”（conditional model），每次只针对一个特定的生物条件——定义为一种组织、细胞类型或细胞状态——进行预测。在输入端，除了 100 万字母的 DNA 序列外，模型还接收目标生物条件作为输入，并在架构的每个阶段都使用这一条件信息。DeepMind 博客原文描述：”This allows it to learn how the same stretch of DNA is read differently across cell types”（这使模型能够学习同一段 DNA 如何在不同细胞类型中被不同地解读）。

这一架构转变的技术含义需要展开。在 AlphaGenome 1 的并行输出架构中，模型的参数需要同时服务于所有组织类型的预测，每种组织分配到的”模型容量”有限。条件模型架构则将全部模型容量集中用于当前查询的特定细胞类型，理论上能够捕捉更精细的调控差异。这类似于从一个”一对多”的广播系统转变为一个”一对一”的定向通信系统——信号的信噪比大幅提升。

在训练数据层面，AlphaGenome 2 同样实现了量级跃升。据 DeepMind 博客，模型训练于来自人类和小鼠样本的大量数据（bulk）和单细胞数据，包括超过 1 亿个单细胞图谱。DeepMind 博客明确指出，这使模型能够”resolve activity inside specialized cells—such as distinct heart muscle or blood immune cells—to help uncover crucial DNA variants that act only in specific cell types”（解析专门细胞内部的活性——如不同的心肌细胞或血液免疫细胞——以帮助发现仅在特定细胞类型中起作用的关键 DNA 变异）。

在输出维度上，AlphaGenome 2 预测与前代相同的核心实验读数——基因表达、组蛋白修饰和染色质可及性——但新增了 DNA 甲基化（DNA methylation），DeepMind 称这是”a widely requested readout”（一个被广泛需求的读数）。DNA 甲基化是基因表达调控的关键表观遗传标记，其加入意味着模型覆盖的调控层次更加完整。

性能指标：识别因果变异的能力近乎翻倍

架构和数据的变革最终体现在性能数字上。

据 DeepMind 博客，AlphaGenome 2 识别改变细胞基因表达的变异（variants that change gene expression in cells）数量较前代”state-of-the-art model”近乎翻倍。DeepMind 博客使用的原文表述是”identifies nearly twice as many variants that change gene expression in cells, compared to our previous state-of-the-art model”，The Verge 的独立报道也确认了这一数字。

即便只看”近乎翻倍”这一描述，其含义也相当显著。在基因组学中，通过全基因组关联研究（GWAS）发现的大量变异位点中，绝大多数只是统计上与疾病相关的标记（markers），而非真正驱动疾病的因果变异。区分因果变异与旁观者变异，是从”关联”走向”机制”的关键瓶颈。如果 AlphaGenome 2 确实能将因果变异的识别能力提升近一倍，这意味着研究者在筛选候选变异时的效率将大幅提高，下游的功能验证实验可以更精准地聚焦于真正的驱动因素。

需要指出的是，”近乎翻倍”这一性能声明来自 DeepMind 自身的评估；DeepMind 已在博客中公布了在外部 TenK10K 数据集（涵盖 28 种原代免疫细胞类型）上的评估指标（可靠识别的因果变异比例为 30% vs 16%、方向性基因效应为 43% vs 23%），并同步发布了技术论文。

零样本预测：条件模型的泛化能力

AlphaGenome 2 架构设计中一个尤其具备技术分析价值的特性是其零样本预测能力。

据 DeepMind 博客，条件模型架构还支持跨模态补全（cross-modality imputation）。模型将细胞的生物状态与其输出分离开来，因此如果研究者只输入一种测量数据——比如单细胞基因活性——AlphaGenome 2 就能预测未测量的属性，如染色质可及性。DeepMind 博客原文表述为：”This can then help researchers prioritize which experiments to do next”（这可以帮助研究者决定接下来优先进行哪些实验）。

The Verge 的独立报道进一步确认了这一能力。据 The Verge 报道，研究者发现 AlphaGenome 2”could also make predictions about new types of cells and biological states without needing to be retrained”（也能对新的细胞类型和生物状态做出预测，而无需重新训练）。此外，模型”could also identify gaps in experimental data, potentially helping scientists decide what to investigate next in the lab”（还能识别实验数据中的空白，帮助科学家决定下一步在实验室中研究什么）。

这一零样本泛化能力的技术意义在于：人体中存在数百种已知的细胞类型和更多的细胞状态（如静息态 vs 激活态的免疫细胞），不可能为每一种组合都生成足够的训练数据。条件模型通过学习”细胞状态”与”DNA 调控逻辑”之间的通用映射关系，使得模型能够外推到训练集中未见过的细胞类型。这在概念上类似于大语言模型的零样本推理能力——模型学到的是底层规则，而非死记硬背每个具体案例。

DeepMind 博客还描述了一个具体的实现机制：模型支持两种指定目标条件的方式——从参考目录中选择已有的细胞类型，或通过”cell encoder”（细胞编码器）从研究者自己的单细胞实验数据中即时生成条件。后一种方式意味着研究者可以用自己实验室产出的、模型从未见过的单细胞数据来查询模型，极大地扩展了应用场景。

科学界反响与同行评审状态

Nature 以新闻报道形式覆盖了 AlphaGenome 2 的发布，标题为”DeepMind’s ultra-powerful AI for genome mapping wows scientists”。这一标题传递了科学界对该模型的积极初步反响。但需要明确区分的是，Nature 的这篇报道属于新闻报道（News article），而非同行评审的研究论文。

截至本文发布时，在已有参考资料中，没有信息表明 AlphaGenome 2 的技术细节已同步发表于同行评审期刊。DeepMind 的公告通过官方博客发布，附有技术论文，并配合 API 开放和媒体报道。这一发表策略与 DeepMind 过去在 AlphaFold 等项目上的做法有所不同——据公开记录，AlphaFold 2 的技术论文于 2021 年发表在 Nature 上。笔者推测，AlphaGenome 2 的同行评审论文可能正在准备或审稿过程中，但在正式发表之前，外部研究者对其技术细节和性能声明的独立验证仍然受限。

The Verge 的报道提供了一些来自 DeepMind 研究者的直接引语，有助于理解模型开发者自身对这一工作的定位。DeepMind 研究科学家 Adam Gayoso 告诉 The Verge，他认为关键突破在于”tying human genetics to cell biology”（将人类遗传学与细胞生物学联系起来）。AlphaGenome 2 让研究者能够深入研究在大规模人群中发现的遗传变异，观察它们在细胞层面可能产生的效应，并将这些效应与疾病联系起来。

DeepMind 基因组学负责人 Žiga Avsec 则从药物开发的角度解释了细胞分辨率的重要性。他告诉 The Verge：”When you develop drugs, you’re targeting specific proteins and specific cell types”（当你开发药物时，你针对的是特定的蛋白质和特定的细胞类型），这使得拥有这种粒度的预测能力至关重要。

开放策略与商业化路径

AlphaGenome 2 的发布伴随着明确的开放策略。据 DeepMind 博客，AlphaGenome API 即日起向非商业研究者开放，商业研究则处于私测（private preview）阶段。

这一策略延续了 DeepMind 在 AlphaFold 上建立的模式：通过免费开放学术使用来快速构建用户生态和学术影响力，同时为商业化保留独立通道。AlphaFold 蛋白质结构数据库自 2021 年开放以来，已被全球研究者广泛使用，成为结构生物学领域的基础设施级工具。DeepMind 显然希望 AlphaGenome 系列也能走上类似的路径。

但 AlphaGenome 2 的商业化路径可能比 AlphaFold 更为直接。蛋白质结构预测的商业价值主要通过下游应用间接实现，而基因变异的细胞级效应预测则直接对接药物靶点发现和精准医学这两个高价值场景。Avsec 在 The Verge 采访中明确将模型与药物开发联系起来——”targeting specific proteins and specific cell types”——这暗示了商业私测的重点方向。

笔者判断，商业私测阶段的合作伙伴很可能包括大型制药公司和基因组学公司。对于正在进行靶点验证的药企来说，能够预测一个候选靶点相关变异在特定疾病细胞类型中的效应，可以显著缩短靶点优先级排序的周期。对于罕见病研究者来说，许多罕见病的致病变异只在特定细胞类型中产生功能后果，AlphaGenome 2 的细胞分辨率预测可能直接帮助识别此前被组织级模型遗漏的致病机制。

据 DeepMind 博客，DeepMind 此前已发布 AlphaGenome Atlas 平台，该平台包含对人类基因组中所有 90 亿个可能的单字母变化的预测。博客原文表述为：”We expanded its reach with AlphaGenome Atlas, a platform containing predictions for all 9 billion possible single-letter changes in the human genome.” 如果 AlphaGenome 2 的细胞级预测能力未来与 Atlas 平台整合，笔者判断，研究者将不仅能查询任意变异的组织级效应，还能进一步追问该变异在特定细胞类型中的差异化影响。这种”从全景到聚焦”的分析流程，有可能构成一个完整的变异解读工作流。

未来方向：跨物种训练与数据扩展

Avsec 在 The Verge 的采访中透露了未来的技术路线图。他表示，构建 AlphaGenome 2 这样的模型之所以成为可能，得益于近年来能够以高分辨率捕获单个细胞及其状态的新技术，以及由此产生的用于训练的大规模数据集。DeepMind 正在通过生成更多数据来改进其基因组学模型，包括目前代表性不足的细胞状态。Avsec 表示，未来版本还可能”be trained on data ‘across multiple species’“（在跨物种数据上训练），赋予模型更广泛的生物学视野。

跨物种训练方向具有明确的科学逻辑。进化保守性是判断基因组功能元件重要性的经典指标——如果一段 DNA 序列在多个物种中高度保守，它很可能具有重要的功能。将跨物种数据纳入训练，可能让模型学到更深层的调控逻辑，而非仅仅拟合人类数据中的统计模式。

技术局限与待验证问题

在评估 AlphaGenome 2 的意义时，也需要明确几个尚未回答的问题。

第一，模型的性能声明目前主要来自 DeepMind 自身的评估，尚无同行评审论文提供独立验证。DeepMind 已在外部 TenK10K 数据集（涵盖 28 种原代免疫细胞类型）上公布了评估指标，但该评估数据集与训练数据集之间是否存在信息泄露，仍有待外部研究者依据 DeepMind 发布的技术论文独立检验。

第二，零样本预测的实际可靠性边界在哪里？对于与训练集中细胞类型差异较大的新细胞状态，模型的预测精度如何衰减？DeepMind 博客和 The Verge 报道都提到了这一能力，但未提供量化的泛化性能数据。

第三，单细胞数据本身的噪声问题。单细胞 RNA 测序等技术虽然能够提供细胞级分辨率，但也存在显著的技术噪声（如 dropout 效应、批次效应）。超过 1 亿个单细胞图谱的数据质量如何控制、不同数据来源之间的标准化如何处理，这些技术细节对模型的实际表现至关重要。

第四，Avsec 在 The Verge 采访中提到 DeepMind 正在为”目前代表性不足的细胞状态”生成更多数据。这暗示当前模型在某些细胞类型或状态上的覆盖存在空白。68 种组织的覆盖范围虽然广泛，但人体中的细胞类型多样性远超这一数字，特别是在发育过程中的过渡态细胞和疾病状态下的异常细胞类型方面。

从 GWAS 关联到细胞级机制：一个持续 20 年的范式演进

将 AlphaGenome 2 放在基因组学的发展脉络中，它代表的是一个持续了近 20 年的范式演进中的重要节点。

GWAS 自 2005 年以来已发现了数万个与疾病相关的遗传变异位点。但 GWAS 的核心局限在于它只提供统计关联——知道某个变异与某种疾病在人群层面共现的频率更高，但不知道这个变异通过什么分子机制、在哪种细胞类型中导致了疾病。这个”GWAS-to-function”的鸿沟，是过去 10 年基因组学领域最核心的挑战之一。

AlphaGenome 1 通过预测变异对组织级分子活性的影响，开始填补这一鸿沟。AlphaGenome 2 通过将分辨率提升到细胞类型级别，进一步缩小了这个差距。用 Adam Gayoso 的话说，关键突破在于”tying human genetics to cell biology”。

这种细胞分辨率的提升对精准医学的意义是直接的。以一个假设场景为例：心脏组织中包含心肌细胞、成纤维细胞、内皮细胞、免疫细胞等多种细胞类型。一个与心力衰竭相关的 GWAS 变异，可能只在心肌细胞中影响基因表达，而在其他细胞类型中没有效应。如果治疗策略需要靶向特定细胞类型（正如 Avsec 所强调的），那么知道变异在哪种细胞中”发作”就是设计治疗方案的前提条件。AlphaGenome 2 的条件模型架构，理论上能够提供这种细胞类型特异性的预测。这一假设场景尚非模型已验证的具体应用案例，但它说明了细胞分辨率为何对临床转化至关重要。

AlphaGenome 2 的发布标志着 AI 基因组学正在从”预测变异的统计效应”向”预测变异在特定细胞环境中的功能后果”迈进。这一跃升的实际影响——能否加速药物靶点发现、能否帮助解读罕见病的致病机制——取决于模型在真实研究场景中的表现，而这需要学术社区通过 API 进行大规模的独立测试。同行评审论文的发表和独立基准测试的结果，将是判断 AlphaGenome 2 是否真正兑现其承诺的关键证据。

主题分类：技术突破

参考资料

  1. AlphaGenome 2: Deciphering how cells read DNA to better understand disease — Google DeepMind, 2026-11-11
  2. Google’s AlphaGenome 2 zooms in on the cellular roots of disease — The Verge (Robert Hart), 2026-11-11
  3. DeepMind’s ultra-powerful AI for genome mapping wows scientists — Nature, 2026-11-11
  4. Highly accurate protein structure prediction with AlphaFold — Nature, 2021-07-15