AlphaGenome 2

AlphaGenome 2 是 Google DeepMind 于 2026 年 11 月 11 日宣布的下一代 DNA 序列模型。官方博客为 AlphaGenome 2: Deciphering how cells read DNA to better understand disease，作者为 Adam Gayoso、Natasha Latysheva、Pushmeet Kohli 和 Žiga Avsec。官方账号 @GoogleDeepMind 于 2026-11-11T15:03:17Z 发帖，称它是“我们的新 AI 模型，能聚焦特定细胞，帮助科学家理解疾病的驱动因素”。

官方开篇指出：人体每个细胞携带同一套 DNA 蓝图，但不同细胞类型与状态会开关不同的基因。全球项目如 Human Cell Atlas 正在为数百万细胞绘制基因表达，但预测细微 DNA 变异如何在特定细胞中改变表达，仍是未解难题，而这是人类性状与疾病的关键驱动因素。去年发布的 AlphaGenome 预测变异在较宽的组织尺度上对分子活性的影响，随后又以 AlphaGenome Atlas 覆盖人类基因组全部约 90 亿种单字母变化的预测。AlphaGenome 2 把视野从组织平均值推进到单个细胞类型和细胞状态，并重新设计了架构。官方称这带来变异预测性能的阶跃提升，也能对模型未见过的细胞与疾病状态做预测。

训练与能力方面，官方写到模型在人类和小鼠的 bulk 与单细胞数据上训练，包含超过 1.07 亿个单细胞图谱、覆盖 68 个组织；它一次针对一种条件（组织、细胞类型或状态）做预测，把目标生物学条件作为架构每一阶段的输入，从而学习同一段 DNA 在不同细胞中如何被读取。除基因表达、组蛋白修饰和染色质可及性等原有读数外，新模型还预测 DNA 甲基化。它还能做跨模态补全：若科学家只输入一种测量（例如单细胞基因活性），模型可预测未测量的性质（如染色质可及性）。科学家也可以上传仅几十个细胞的单细胞 RNA-seq 快照，由细胞编码器压缩成细胞状态表示，从而在无需重新训练的情况下对未见过的状态做预测。官方举出的例子包括：在 TenK10K 的 28 种原代免疫细胞上，AlphaGenome 2 可靠识别出近两倍的因果变异（30% 对 16%）和方向性基因效应（43% 对 23%）；它还复现了一项标志性研究——肠道巨噬细胞中一个远端调控开关变异通过过度激活 ETS2 驱动 IBD，并显示该效应对其它细胞类型和基因基本无影响。对未见过的 COVID-19 mRNA 疫苗单细胞数据，它能区分疫苗激活的免疫 T 细胞与静息细胞，并显示一个与重症相关的变异在激活状态下更强烈地扰乱基因活动。

可用范围方面，官方写到 AlphaGenome 2 以及用于表达条件化的交互式 Colab 教程即日起通过 AlphaGenome API 向非商业研究开放，商业研究提供私人预览；并计划不久在 Google Antigravity 中发布 AlphaGenome 2 Skills。博客明确写到：AlphaGenome 与 AlphaGenome 2 仅供研究使用，未经临床或诊断用途的验证或批准。

要点：

• 官方博客：https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/ ；
• 宣布帖：https://x.com/GoogleDeepMind/status/2120532824465805749 （主帖 2026-11-11T15:03:17Z，后续说明帖 15:03:18Z 与 15:03:19Z）；
• 这是 Google DeepMind 的一个具体模型名，是 2025 年 AlphaGenome 的下一代，不要和 AlphaGenome、AlphaGenome Atlas 或其它基因组模型混淆。

为什么值得关注

这是 Google DeepMind 在 2026 年 11 月 11 日用官方博客和官方账号同步发布的正式模型名，不是传闻或内部别称。它把“按细胞类型与细胞状态条件化、预测 DNA 变异效应”做成可单独指名的下一代模型，并即日通过 API 向非商业研究开放。对跟踪遗传学基础模型的人来说，这是一个可以单独建条的新名字。

本页只复述官方公开材料。博客中的“近两倍”因果变异召回、TenK10K 上的 30% 对 16%、43% 对 23%，以及 1.07 亿个细胞图谱、68 个组织等数字，都是公司表述，本页不作独立复现。官方也写到模型用于研究，不是临床或诊断工具。

局限

公开材料没有给出完整基准表、独立第三方复现、商业预览的申请条件或 API 配额细节。博客提到即使在高精度下，模型也只能召回统计分析所提名的、可能因果的变异中的一部分，并可能低估可及染色质之外、非常远端调控元件或转录后机制的效应。瞬时、受刺激和疾病状态在训练和预计算变异面板中仍代表性不足。人在环的实验验证仍然必要。不要把本词条写成医疗建议或诊断依据。

1. 阅读官方博客 https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/ ，并对照宣布帖 https://x.com/GoogleDeepMind/status/2120532824465805749 及同一线程中 15:03:18Z、15:03:19Z 的说明帖；
2. 非商业研究按官方说明通过 AlphaGenome API 与交互式 Colab 教程使用；商业研究需走官方所说的私人预览，且官方写明仅供研究、未经临床或诊断验证；
3. 引用“近两倍因果变异”“1 亿+ 细胞图谱”“条件化模型”或即将发布的 AlphaGenome 2 Skills 时，请写明来源是 2026-11-11 官方博客或宣布帖，并再对一次上游；
4. 不要把 AlphaGenome 2 写成 2025 年的 AlphaGenome 或 AlphaGenome Atlas，也不要把本页当成临床或诊断指导；本页只复述官方博客和宣布帖，对外引用前请再对一次上游。