一句话结论：Google DeepMind 在 2026 年 11 月 11 日发布 AlphaGenome 2，把非编码区变异的预测分辨率从组织平均推进到单细胞类型，致病变异识别率从 16% 提升到 30%，并已通过 AlphaGenome API 免费开放给非商业研究使用。
人类基因组里 98% 是非编码序列，这些区域不直接编码蛋白，却通过增强子、沉默子之类的调控开关决定某个基因在哪种细胞里开多大。很多与疾病相关的变异就落在这些”基因荒漠”里，离最近的蛋白编码区很远，靠传统方法很难追到它到底影响了哪个基因、在哪类细胞里起作用。
AlphaGenome 2 就是冲着这个空缺来的。它的前身 AlphaGenome 1 只能给出组织平均层面的预测，就像告诉你”这条街区整体更吵”，却不告诉你是哪一类住户更吵。新版本把细胞类型当成模型的输入条件，同一段 DNA 在免疫细胞和神经元里会被读出不同的结果。
这套能力与本栏目此前报道过的两条路线刚好互补。一条是 BioBasicsBench 测出的”AI 看不懂真实湿实验数据”，另一条是 AutoDNA 在 Nature 上跑通的自主实验闭环。AlphaGenome 2 补的是另一段：预测层。
AlphaGenome 1 卡在哪：一个把细胞类型糊掉的均值模型
AlphaGenome 1 的输入是 100 万碱基长度的 DNA 序列，输出是针对成千上万种实验读数的并行预测。它一次覆盖多种组织与细胞系，效率很高，代价是模型能力被摊薄了。同一块组织里混着多种细胞，某个变异的影响被平均掉，研究者拿到结论也说不清它究竟作用在哪类细胞上。
Francis Crick Institute 的免疫学家 James Lee 对这个缺陷说得很直接：不能预测细胞类型特异性，对他们而言”是个大问题，所以这工具一直算不上多有用”。他们 2024 年发现一个炎症性肠病（IBD）驱动基因 ETS2，位于远离编码区的调控序列上，靠基因编辑等分子生物学手段花了年半时间才定位。
更早 AlphaGenome 团队发布的 AlphaGenome Atlas 更进一步，把人类基因组全部 90 亿种单字母变化全部预先算完并打分，但同样没有细胞类型标注。这份图谱很大，可用起来却容易卡在同一处：一个变异和疾病相关，究竟在哪种细胞里生效。
架构改了什么：把细胞条件接进模型每一层
AlphaGenome 2 的核心改动是从并行模型换成条件模型。输入端在 DNA 序列之外多了一个明确的生物条件，这个条件可以是组织、细胞类型，也可以是细胞状态。条件会在模型架构的每一层参与计算，而不是只在输出端做区分。
训练数据规模是这次升级的另一面。官方披露使用超过 1.07 亿个单细胞图谱，横跨 68 种组织，同时包含人类与小鼠的 bulk 和单细胞样本。上一代喂进去的是异质细胞混在一起的 bulk 样本，新版本拿到的则是分辨到单个细胞的表达测量。
还有两个容易被忽略的能力变化。一是跨模态插补，模型把细胞状态与输出解耦，只要给进去一种测量，比如单细胞基因活性，就能反推未测量的染色质可及性，用来帮研究者决定下一步该做哪个实验。二是无需重训的泛化，研究者上传几十个细胞的单细胞 RNA 测序快照，经细胞编码器压缩成细胞状态表示，就能对模型没见过的状态做变异预测，不用重新训练。
预测读数上，AlphaGenome 2 保留了上一代的基因表达、组蛋白修饰、染色质可及性，新增了被大量研究者索取的 DNA 甲基化。
数字对比：30% 与 16% 之间隔着什么
最能说明问题的评测来自 TenK10K 数据集，这是覆盖 28 种原代免疫细胞类型的大型单细胞图谱。
| 评测项 | AlphaGenome 2 | AlphaGenome 单细胞微调版与其它专用工具 |
|---|---|---|
| 致病变异识别率 | 30% | 16% |
| 方向性基因效应识别率 | 43% | 23% |
| 训练细胞图谱 | 超过 1.07 亿个单细胞 | bulk 样本为主 |
| 覆盖组织 | 68 种（人类与小鼠） | 组织平均层面 |
| 训练细胞类型 | 637 种人类细胞、311 种小鼠细胞 | 不区分细胞状态 |
| 新增读出 | DNA 甲基化 | 无 |
| 可用范围 | API 免费用于非商业研究，商业研究私有预览 | 仅 AlphaGenome 1 快速入门 |
官方给出的整体表述是，AlphaGenome 2 识别出的会改变细胞内基因表达的变异数量接近上一代的两倍。落到具体数字上，致病变异识别从 16% 提到 30%，方向性基因效应从 23% 提到 43%。对做罕见病位点优先排序的研究者来说，这个差距意味着候选清单里能直接进实验验证的部分大幅变厚。
三个能复现的科研场景
第一个场景是 IBD。AlphaGenome 2 在肠道多种免疫细胞类型上做预测，单独挑出了那个位于远端调控开关的致病变异，并显示它只选择性放大肠道巨噬细胞里的 ETS2，其它细胞类型和基因基本不受影响。原本耗时一年半的实验路径被压缩成一次计算。
第二个场景来自一篇 COVID-19 mRNA 疫苗研究。研究者把未见过的新单细胞数据喂给模型，AlphaGenome 2 成功区分出疫苗激活的免疫 T 细胞与静息状态细胞，并指出一个与重症 COVID-19 相关的变异在细胞被激活时对基因活性的破坏明显更强，这个效应在未激活细胞里是看不到的。
第三个场景是增强子到基因的连接图谱。很多致病变异待在远端调控开关上，而基于 CRISPR 的实验筛选大多用实验室传代细胞系，缺少人体原代细胞的接线图。AlphaGenome 2 把这类映射扩展到原代人细胞，比如支持神经元的脑星形胶质细胞。团队还预计算了数百种人体细胞与组织条件下、GWAS 关联变异的预测分数，覆盖身高、2 型糖尿病等复杂性状位点，用来定位最可能参与的变异与细胞类型。
怎么用：API、Colab 与 90 亿变异图谱
AlphaGenome 2 与配套的 Colab 教程已通过 AlphaGenome API 开放，非商业研究免费使用，商业研究走私有预览。文档站把功能拆成几个可组合的模块，包括选择基因组区间、为区间或序列预测轨道、用自有单细胞数据做条件预测、处理插补轨道、分析剪接变异、用 ISM 标出模型关注的重要区域，以及为小鼠做预测。API 还提供从剪接接点推导 PSI 值、按区间做梯度预测这类接口。
官方文档明确说明 Atlas 查询速率高于实时模型预测，适合做上千次量级的分析而不是百万次量级。文档站首页同时标注了 AlphaGenome 1 的快速入门仍在保留，但已标记为 legacy，迁移路径单独成篇。
API 文档之外还有两个生态位值得留意。DeepMind 表示会把 AlphaGenome 2 纳入自有的 Mystra 平台，并将在智能体开发平台 Google Antigravity 中推出 AlphaGenome 2 Skills，把专用模型与智能体化的科研工具组合起来使用。团队与 Wellcome Sanger Institute 的合作仍在继续，用于覆盖更广的细胞类型、发育谱系与扰动状态。
它不解决什么：临床边界与研究工具定位
最需要说清的一点是，AlphaGenome 与 AlphaGenome 2 都定位为研究用途，尚未通过临床或诊断层面的验证与批准。官方强调这套方法的落点是加速假说筛选，最终的临床判断仍要回到实验验证。
另一层限制来自建模本身。DeepMind 团队自己也把”更可靠的实验判断”和”更高的基准分”分得很开。分数提升能说明模型在标准任务上更准，但研究者手上的真实样本往往更脏，样本量更小，实验记录更不完整。这类场景下的可靠性，公开基准只能给出部分答案。
这与本栏目之前写过的 Carbon-X 在 DNA 基准上拿 66.7 分、成本只有 GPT-6.1 的 1/1800 指向同一个问题：基准分数是筛选工具，不是结论工具。AlphaGenome 2 的 30% 与 43% 同样属于筛选效率指标，能不能落到药物靶点上，取决于后续湿实验。
在更宏观的位置上，这套模型与 OpenAI 联合 PerturbAI 用 2000 个智能体 32 分钟解析小鼠全脑图谱 属于同一条技术路径的不同切面。前者解决单个细胞里的调控问题，后者解决大规模数据的组织问题，二者叠加才可能形成从细胞图谱到机制假设的完整链条。
常见问题
AlphaGenome 2 和 AlphaGenome 1 的核心区别是什么？
AlphaGenome 1 对所有组织做并行预测，把细胞类型混在均值里；AlphaGenome 2 改成条件模型，把目标细胞条件接进架构每一层，同一段 DNA 在不同细胞里给出不同读数。训练规模也从 bulk 样本换成超过 1.07 亿个单细胞图谱、68 种组织。
AlphaGenome 2 可以免费使用吗？
非商业研究可以通过 AlphaGenome API 免费使用，并配有 Colab 教程。商业研究目前是私有预览，需要单独申请。文档页还提示 API 免费额度的调用速率会随需求波动，Atlas 预计算查询的速率高于实时模型预测。
AlphaGenome 2 能用于临床诊断吗？
不能。官方明确说明两个版本都仅供研究使用，尚未经过临床或诊断方向的验证与批准。它的定位是帮研究者缩小假说范围、排出实验优先级，最终判断仍需实验验证支撑。
小结
AlphaGenome 2 把 AI 辅助基因研究的关键瓶颈从数据规模挪到了分辨率。90 亿变异的图谱早已存在，缺的是”这个变异在哪类细胞里起作用”这一层。1.07 亿单细胞训练出的条件模型，TenK10K 上 30% 对 16% 的致病变异识别率，以及无需重训即可适配新细胞状态的泛化能力，构成了这代更新的三个支点。
对研究团队来说，它的用法更像一个高召回的候选生成器，先把可能性圈出来，再用湿实验去压实。本栏目此前报道过的 RoboScience 把单条机器科学数据成本压到 0.05 元 是同一条思路的另一端：预测与实验的成本都在快速下降，闭环的可行性因此在提高。
相关阅读
- BioBasicsBench 100 任务：GPT-6 Astra 66.7% 与三类错误
- AutoDNA 登 Nature：11000 步自主实验，AI 实验室跑通了什么
- Carbon-X：DNA 基准 66.7 分，成本仅 GPT-6.1 的 1/1800
- OpenAI 联合 PerturbAI 用 2000 个智能体 32 分钟解析小鼠全脑图谱
延伸阅读
- AI 可解释性研究颠覆主流假说：90% 神经元有明确功能，OpenAI 赞历史性时刻4 周前
- PHP2Shell 深度：9.2 分双重 RCE 波及 PHP 5.4 以来全部版本3 周前
- 谷歌发布Gemini 4 Argon：77.9%登顶SWE-bench，输入$2/M1 月前
- Gemini Robotics 2.5 深度：奔驰产线分拣 96% 与越狱抗性 99.5%2 天前
继续读
往下这几篇值得接着看：
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记