AI能从DNA锁定致病细胞了，谷歌AlphaGenome 2帮助糖尿病癌症寻找新药靶点
谷歌DeepMind正式发布新一代DNA序列预测模型AlphaGenome 2。与此前只能按整块组织给出“平均预测”的初代模型不同，新模型把观测尺度推进到单个细胞类型和细胞状态，能够回答一个更接近疾病真相的问题：某个DNA变异究竟在哪类细胞里、通过调控哪个基因、以何种方式致病。
对癌症、糖尿病、炎症性肠病等复杂疾病而言，这类能力指向药物研发中最难啃的一环——从海量非编码区变异中筛出真正有因果性的线索，锁定相关细胞和基因，再有的放矢地开展实验与靶点验证。DeepMind同步开放了非商业研究调用通道，并给出交互式Colab教程；商业研究则以私人预览方式开放。
半小时算完一年半实验：AlphaGenome 2从七个嫌疑变异里揪出真凶
AlphaGenome 2最先引发关注的，是一次“计算复现实验”的实战表现。
英国科学家James Lee团队曾花费一年半时间做实验，才弄清炎症性肠病背后的一处关键DNA变异：它藏在所谓的“基因荒漠”中，跨越29万个碱基的超远距离，过度激活了肠道免疫细胞中的ETS2基因，进而引发严重肠道炎症。DeepMind团队把同一段DNA输入AlphaGenome 2后，模型没有做一次生物实验，仅凭计算就得出了与实验一致的结论。
- 模型从7个高度相似的候选DNA变异中锁定了关键那一个；
- 它跳过了距离更近的基因，精准指向远处的ETS2；
- 它还预测出该突变主要在肠道巨噬细胞和单核细胞中起作用，其他免疫细胞几乎不受波及。
这让James Lee在接受Nature采访时感叹：他们用30分钟就算出了答案，而当初做实验足足花了一年半。对药物发现而言，这种效率差异不只是“算得快”，而是把原本需要长期试错才能得到的因果线索，提前变成了可验证的计算假设。
在已经获批上市的镰状细胞病CRISPR基因疗法靶点上，AlphaGenome 2也展示了类似能力：它在红细胞发育早期的关键细胞中，精准找到相隔5.8万个碱基的调控位点，并把基因编辑所针对的GATAA核心序列一字不差地识别出来。
把“组织平均值”拆到单细胞：条件预测让相近细胞不再混淆
初代AlphaGenome的核心局限，在于预测结果以组织平均值呈现。一块人体组织里往往混杂着几十种细胞，均值会把少数致病细胞的特征掩盖掉。而绝大多数与人类性状和疾病相关的遗传变异位于非编码区，它们通过改变基因调控发挥作用，这种调控常常只在特定细胞类型、特定状态下才显现。
AlphaGenome 2的技术路线，是把模型改造成“条件序列到功能”模型：
- 输入不再只是一段DNA，而是1Mb的DNA序列加上一个明确目标条件；
- 这个条件可以是组织、细胞类型或细胞状态；
- 模型不再并行输出所有细胞类型的预测，而是针对单一条件做定向推理。
这一架构调整带来两个直接结果。其一，模型能够区分彼此高度相似的细胞类型，而上一代在此类场景中容易混淆；其二，条件可以直接从基因表达数据中推断，使模型无需微调即可适配此前未见过的单细胞数据集与细胞状态。
参考资料中有一个典型例子：同一个免疫相关DNA突变，在肺组织里会提高IL20RA基因表达，到了食管组织里却反过来降低它，按整块器官测序始终难以解释。AlphaGenome 2把视角拉近到单细胞后发现，在上皮细胞里，该突变破坏了负责激活基因的调控位点，导致基因表达显著下降；在血管内皮细胞里，它破坏的却是负责抑制基因的位点，失去限制后基因表达反而大幅上升。
新模型还学会了预测DNA甲基化，甚至可以根据已经测量的基因活动，推测尚未检测的染色质可及性等分子特征。科学家因此可以逐步缩小范围，锁定究竟是哪段DNA、哪个基因，在特定细胞里“悄悄出了岔子”。
召回率从16%到30%：一亿单细胞喂出的“变异效应地图”
为了让模型读懂不同细胞里的DNA，DeepMind给AlphaGenome 2安排了一场规模浩大的生物学训练。训练数据覆盖68种组织、超过1.07亿个细胞，既有人类细胞，也有小鼠细胞。模型由此把静态的细胞图谱转化为遗传学的预测引擎。
在涵盖28类免疫细胞的TenK10K测试中，AlphaGenome 2识别关键因果变异的召回率达到30%，而上一代经过单细胞数据微调后的成绩仅为16%，接近翻倍；判断这些变异会让基因活性增强还是减弱的能力，也从23%飙升到43%。DeepMind表示，与此前最先进的模型相比，AlphaGenome 2识别出的改变细胞内基因表达的变异数量接近前者的两倍。
性能数据之外，更具产业价值的是模型产出的图谱。研究团队基于该模型，在数百种人类细胞类型上构建了增强子与基因的连接图谱，并为700万个常见变异生成了打分。这意味着研究者面对一个复杂性状位点时，可以直接获得候选因果变异及其调控对象的线索，而不必从零开始做海量筛选。DeepMind方面表示，这套方法为把观测性的细胞图谱转化为可查询的变异效应地图提供了范式。
从罕见病到糖尿病癌症：AI给药物靶点发现补上因果一环
对药物研发而言，这项能力的落点相当具体。新药靶点发现长期受制于因果性判断：全基因组关联分析能找到位点，却很难说明是哪个变异、通过调控哪个基因、在哪类细胞中致病。细胞类型级的变异效应预测，恰好补上了这一环，理论上可以缩短从遗传学发现到靶点验证的周期，并降低后期临床失败的概率。
在罕见病领域，大量患者携带的非编码区变异缺乏明确解读，细胞类型特异性的预测结果可以为遗传诊断提供优先级排序，帮助医生把有限的验证资源投向最可能的候选变异。谷歌还将AlphaGenome 2用于2型糖尿病等复杂疾病的研究，帮助科学家从海量DNA变异中筛选出更可疑的线索，锁定相关细胞和基因，再有针对性地开展实验、寻找潜在药物靶点。
临床一线还面临另一个现实难题：许多罕见病或新发感染往往只能从患者身上采集到几十个病变细胞，这点数据量远不足以重新训练一个大模型。AlphaGenome 2的“即配即用”能力因此受到关注。人类细胞图谱联盟联合创始人、剑桥大学医学教授Sarah Teichmann表示，AlphaGenome 2最令人兴奋的地方，在于它能直接适应新的单细胞数据且无需重新训练；哪怕只有少量细胞样本，它也能预测DNA变异在新检测到的细胞状态中如何发挥作用。
非商业研究已开放：模型还要进Agent工具箱
好消息是，AlphaGenome 2已经向非商业研究开放。研究者可以通过AlphaGenome API调用新模型，并参考谷歌提供的交互式Colab教程，拿自己的单细胞实验数据上手跑实验。商业研究则以私人预览版形式开放。
DeepMind还准备把模型打包成Skills接入Google Antigravity，交给Gemini 4随时调用。官方同时公开了涵盖数百万个基因变异的影响评分库。对学术界和初创药企来说，这意味着不必从零训练大模型，也能把“某变异在哪类细胞里调控哪个基因”的预测能力嵌入自己的研究流程。
不过，模型给出的仍是假设，实验给出结论。AlphaGenome 2把基因组解读的颗粒度推进到了疾病实际发生的细胞层面，但科学的验证链条并未因此缩短。接下来值得观察的，是这套方法在真实药物研发管线中的验证效率、商业预览模式下的产业化节奏，以及临床监管如何为这类预测工具设定准入标准。
