Google DeepMind 发布 AlphaGenome 2:以细胞状态为条件预测 DNA 变异效应,预印本称因果 eQTL 召回率翻倍
Google DeepMind 于 11 月 11 日发布下一代 DNA 序列模型 AlphaGenome 2,并在 11 月 17 日把配套论文放上 bioRxiv 预印本服务器。与上一代按组织批量输出的模型不同,AlphaGenome 2 的输入是一段 100 万个碱基(1-Mb)的 DNA 序列,外加一个指定组织、细胞类型或细胞状态的条件,据此预测这段 DNA 在特定细胞里的调控活性与变异效应。
预印本摘要报告的结果包括:在 90% 精度下,模型对因果单细胞 eQTL(与基因表达水平关联的 DNA 变异位点)的召回率较微调后的 AlphaGenome 1 翻倍;增强子—基因连接预测达到其自述的最先进水平;团队还用它生成了覆盖数百种人类细胞类型的增强子—基因连接图谱和 700 万常见变异的评分。论文由 Adam Gayoso、Žiga Avsec 等 24 名 Google DeepMind 研究人员署名,Demis Hassabis 与 Pushmeet Kohli 在列。上述成绩均为预印本自述口径,尚未经同行评审。
同一段 DNA,换一个条件重新作答
去年 6 月,DeepMind 发布了第一代 AlphaGenome:它读入 100 万个碱基的序列,同时并行预测来自多种组织的数千个实验数据输出。官方博客解释,这种并行设计把模型容量摊得太薄,难以捕捉相近细胞类型之间的细微差别。今年 9 月,团队又推出 AlphaGenome Atlas,为人类基因组全部 90 亿种单碱基变化给出预测。
AlphaGenome 2(AG2)改变了预测方式:它每次只针对一个条件(condition)——某个组织、细胞类型或细胞状态——作预测,条件在架构的每一阶段都参与运算。官方博客称,这让模型学会区分同一串 DNA 在不同细胞类型里的读取方式。训练数据包括人类与小鼠的批量及单细胞数据,合计超过 1.07 亿份单细胞数据,覆盖 68 种组织。模型输出与第一代相同的读出——基因表达、组蛋白修饰、染色质可及性——并新增了 DNA 甲基化这一被广泛要求的读出。
条件化还带来跨模态补全(imputation):模型把细胞的生物状态与输出分开表示,科学家只要提供一种测量,比如单细胞基因活性,模型就能推算未测量的性质,例如染色质可及性。博客称这可以帮助研究者决定下一个实验做什么。
DeepMind 研究科学家 Adam Gayoso 接受 The Verge 采访时说,这次突破的关键在于“把人类遗传学与细胞生物学连起来”:研究者终于能把大规模人群研究找出的变异,下钻到细胞层面去看效应。
基准成绩:TenK10K 上 30% 对 16%
基准测试主要落在 TenK10K——一个覆盖 28 种原代免疫细胞类型的大型单细胞数据集。官方博客给出的对比是:与在单细胞数据上微调过的 AlphaGenome 1 及其他专用工具相比,AlphaGenome 2 找回了 30% 的疑似因果表达相关变异,上一代为 16%;对基因效应方向(上调或下调)的识别率为 43% 对 23%。据 unite.ai 对论文的转述,30% 这一数字的口径是 90% 精度,43% 的方向判断口径则是 90% 准确率。
unite.ai 还转述了另一项数字:在排除出训练数据的基因组区域上,AlphaGenome 2 解释了组织内部细胞类型间基因表达差异的中位数 34%,微调后的第一代为 23%。
这些对照都出自作者一侧,论文自己也划了界线:据 unite.ai 转述,即便在高精度下,模型也只能找回统计学分析提名为可能因果的变异中的一小部分。
不微调,直接接上没见过的细胞状态
官方博客称,科学家可以上传一份只含几十个细胞的单细胞 RNA 测序快照,模型的细胞编码器(cell encoder)会把基因活性压缩成一个细胞状态表征,作为条件喂给模型——全程无需微调。博客称在这种设定下,AlphaGenome 2 能追平或超过直接在该数据集上训练或微调的模型。
博客举的例子是一项新冠疫苗研究:面对模型从未见过的单细胞数据,AlphaGenome 2 把疫苗激活的 T 细胞与静息 T 细胞区分开来,并预测出一个与重症新冠相关的变异在激活状态下对基因活动的干扰更强——这种效应在未激活的细胞里会被漏掉。
算法复现了一个已被实验证实的 IBD 机制
为了说明模型能定位疾病相关变异,官方博客引用了此前发表在 Nature 上的一项研究:一个位于远端调控开关的变异,通过在肠道免疫细胞(巨噬细胞)中过度激活 ETS2 基因驱动炎症性肠病(IBD)。DeepMind 称,AlphaGenome 2 在多种肠道免疫细胞类型上作预测,从计算上复现了这一机制:它从候选中挑出了那个因果变异,并显示其选择性地在肠道巨噬细胞中推高 ETS2,对其他细胞类型和基因影响不大。据 unite.ai 转述,模型是从 7 个变异的候选集里锁定 rs2836882,把它连接到约 290 kb 外的 ETS2,并把预测效应定位于肠道单核细胞与巨噬细胞。
两张预先算好的图谱,以及获取模型的途径
针对不想自己跑大规模计算的研究者,DeepMind 预先算好了两份资源。其一是增强子—基因连接图谱:预印本摘要称覆盖数百种人类细胞类型,博客称它把增强子—基因映射延伸到脑星形胶质细胞这类原代人类细胞——现有实验性 CRISPR 筛选大多依赖实验室培养的稳定细胞系,缺的正是人体内特定细胞的这类接线图。据 unite.ai 转述,这份图谱覆盖 640 种原代单细胞参考条件、39,323 个编码蛋白与长链非编码 RNA 基因。其二是变异评分:unite.ai 转述论文正文的口径是 510 种人类条件下的逾 680 万个独特的常见及性状相关单碱基变异(摘要概述为 700 万常见变异),用于提名候选因果变异、目标基因、效应方向和相关细胞状态;博客称在从身高到 2 型糖尿病的多个复杂性状上,这些分数帮助锁定最可能起作用的变异和细胞类型。
获取方式上,AlphaGenome 2 与表达条件化的 Colab 教程自发布当日(11 月 11 日)起通过 AlphaGenome API 向非商业研究开放,商业研究进入 Google Cloud 私测;官方文档说明非商业 API 使用免费。代码和模型下载链接已经公开(GitHub 仓库、模型下载页)。DeepMind 还预告将在其代理式开发平台 Google Antigravity 中发布 AlphaGenome 2 Skills,与 Gemini 4 搭配使用。
Genomics Limited 的 CEO Peter Donnelly 在博客中说,人类遗传学是药物发现最有力的工具之一,但从关联信号走到药物项目所需的信息并不容易,DNA 序列预测模型正是补上这段空隙的工具,他期待把 AlphaGenome 2 接入公司的 Mystra 平台。
尚未评审,也伴随代价
预印本尚未经过同行评审,性能数字均出自作者一侧。据 unite.ai 转述,论文指出的已知局限还包括:模型可能低估发生在不可及染色质、远距离调控元件或转录后机制中的效应;瞬时、受刺激和疾病状态在训练数据与预计算变异面板中代表性不足;精细的神经元亚群仍难区分;条件表征来自观测性的稳态数据,捕捉的是相关性而非因果,模型能否预测基因敲除、过表达或动态状态转变仍是未知数。
成本是另一道门槛。据 The Verge 报道,DeepMind 基因组学负责人 Žiga Avsec 表示,AlphaGenome 2 更细的预测伴随更高的计算开销,不会很快取代第一代模型——用 AG2 逐条生成那份 9 月发布的全基因组 Atlas 并不现实。他还提到,未来版本可能纳入跨物种数据,长期看这类模型可能服务于构建“虚拟细胞”。
官方博客把 AlphaGenome 2 定位为把观测图谱变成变异效应地图的蓝图,同时注明模型仅限研究用途、未经临床或诊断验证。翻倍的召回率和两张图谱能否在独立复现中站住,要等同行评审与第三方检验来回答。
参考链接
- AlphaGenome 2 predicts regulatory activity and variant effects across cell states(bioRxiv 预印本)
- AlphaGenome 2: Deciphering how cells read DNA to better understand disease(Google DeepMind 博客)
- AlphaGenome: AI for better understanding the genome(Google DeepMind 博客,2025-06-25)
- AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome(Google DeepMind 博客,2026-09-08)
- Google's AlphaGenome 2 zooms in on the cellular roots of disease(The Verge)
- Google DeepMind's AlphaGenome 2 Predicts Cell-State Variant Effects(unite.ai)
- Nature 研究:ETS2 远端调控变异驱动 IBD
- AlphaGenome 官方文档
- google-deepmind/alphagenome(GitHub)
- AlphaGenome 模型与代码下载页