诺奖得主Hassabis再交神作，AlphaGenome 2破译人类98%基因“暗物质”

诺奖得主哈萨比斯亲自挂帅，带领谷歌DeepMind正式发布新一代DNA基础模型AlphaGenome 2。当年让哈萨比斯一举封神的AlphaFold，主要破解的是人类DNA中占2%的蛋白质编码区；剩下整整98%的非编码区，一直被称为基因组里的“暗物质”。这片区域不仅掌管基因开启与关闭的调控开关，还藏着人类九成以上的致病突变。这一次，DeepMind放出长达78页的重磅技术报告，带着AlphaGenome 2向这片“暗物质”发起总攻。

哈萨比斯把总攻方向对准98%基因组暗物质

AlphaGenome 2的发布，被视为DeepMind在DNA基础模型赛道上的又一次关键推进。与AlphaFold聚焦蛋白质编码区不同，AlphaGenome 2把目标对准了长期难以解读的非编码区域。

• AlphaFold破解了人类DNA中约2%的蛋白质编码区。
• 剩余98%的非编码区被称为基因组“暗物质”，其中包含大量调控开关和致病突变。
• 人类九成以上的致病突变藏在这片非编码区域。
• DeepMind此次发布78页技术报告，AlphaGenome 2带来多项核心突破。

从模型能力看，AlphaGenome 2不再满足于“看个大概”，而是把预测精度推进到单细胞层面，并试图解决临床场景中样本极少、模型难以重新训练的现实问题。

一亿零七百万个细胞教AI看见单个细胞的突变反应

AlphaGenome 2吃透了人体68种组织、超过1.07亿个单细胞数据。它能够看清同一个DNA突变在不同细胞里各自引发的反应，识别致病突变的成功率比上一代直接翻倍。

更精细的能力体现在具体调控位点的定位上。模型不仅在红细胞发育早期的关键细胞中，精准找到了相隔5.8万个碱基的调控位点，还把基因编辑所针对的GATAA核心序列一字不差地识别了出来。

这意味着，AI不再只是从组织层面“模糊判断”某个突变是否危险，而是开始逼近单个细胞内部的调控逻辑。对于长期依赖实验验证的基因组研究来说，这种精度提升具有直接价值。

几十个细胞就能上场，帕金森样本命中41%致病突变

到了临床一线，研究人员经常碰到一个现实难题：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在主干网络之外专门新增了一个细胞编码器。遇到没见过的病变时，科研人员只需上传几十个新细胞的测序数据，细胞编码器就能当场提取对应的细胞状态特征，随后把这些特征直接传给主干网络。整个大模型无需重新训练，就能预测基因突变在这些新细胞里产生的影响。

团队选用了一批模型从未见过的190名帕金森病患者脑组织样本进行测试。在没有做任何针对性训练的情况下，AlphaGenome 2成功识别出41%的致病突变，远超专门用这批患者数据训练过的同类模型Scooby。后者仅识别出17%。

器官均值把相反作用抵消，单细胞视角拆穿突变双面戏法

AlphaGenome 2把视角拉近到单个细胞后，一些此前被组织均值掩盖的致病机制开始水落石出。

在上皮细胞里，某个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；但在血管内皮细胞里，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。由于食管里上皮细胞占多数，而肺里血管内皮细胞更丰富，把整块器官混在一起算均值时，两股相反的作用就会互相抵消。

当预测精度细化到单个细胞后，模型的识别准确率实现大幅跃升。在涵盖28种人类免疫细胞的TenK10K基准测试中，即便对初代模型专门进行单细胞微调，它也只能找出16%的致病突变；AlphaGenome 2将这一比例提升到了30%。在判断“突变会让基因活性增强还是减弱”时，准确率也从23%拉高到了43%，两项核心指标几乎双双翻倍。

就连人类造血干细胞一步步分化成红细胞和B细胞的动态过程，AlphaGenome 2画出的基因变化热图，也跟实验室真实测出来的结果如出一辙。

零实验复现Nature数年成果，700万变异库将接入Gemini 4

AlphaGenome 2展示出的另一项能力，是纯靠AI模拟计算、零实验复现《Nature》数年成果。对于糖尿病、癌症等疾病的新药靶点发现，这类能力有望缩短从突变识别到机制验证的路径。

与此同时，DeepMind还免费开放了700万变异库，并计划将其化作Skills接入Gemini 4。若这一能力顺利落地，研究人员面对罕见病、新发感染或未知病变时，将不必每次都从零训练大模型，而是可以用少量细胞数据快速获得突变预测结果。

从组织平均到单细胞精度，从重新训练到几十个细胞即可泛化，从依赖实验到计算模拟先行，AlphaGenome 2正在把基因组“暗物质”的解读推进到一个更细、更快、更接近临床问题的层面。