2024 年，弗朗西斯·克里克研究所的免疫学家 James Lee 带领团队，用基因编辑和其他分子实验，花了约一年半时间，确认炎症性肠病（IBD）的一个驱动因素：一段远离蛋白编码区的 DNA 变异，会在肠道巨噬细胞里过度激活 ETS2 基因。Nature 11 月 11 日报道，Google DeepMind 当天发布的 AlphaGenome 2，在计算上复现了这项发现的若干要点。Lee 对 Nature 说：“他们用 30 分钟就得出了答案，而我们做了一年半实验。从我们的角度看，这令人安心。”
人体几乎每个细胞都带着同一套基因组，但心肌细胞、皮肤细胞和正在应对感染的免疫细胞，会开关不同的基因。同一处变异，在不同细胞类型或细胞状态下，效应可以差得很远。DeepMind 在博文里把 AlphaGenome 2 写成下一代 DNA 序列模型：它预测一段约 100 万个字母的 DNA 及其变异，会怎样影响特定的人类细胞类型，而不只给出组织层面的平均结果。模型已通过 AlphaGenome API 向非商业研究开放，商业研究进入私有预览。公司写明，它仅供研究使用，尚未经过临床或诊断验证。
上一版同时预测许多组织，新模型一次只看一种条件
DeepMind 在 2025 年 6 月 25 日发布第一版 AlphaGenome，用来预测 DNA 变异如何影响多个组织的分子活性。2026 年 9 月 8 日，公司又推出 AlphaGenome Atlas，为人类基因组中全部约 90 亿种单字母替换预先算好预测。这份清单由第一版模型预先计算生成。Lee 对 Nature 说，不能判断变异会在哪一种细胞里起作用，“对我们来说用处不算很大”。
官方博文解释了原因。第一版吃进约 100 万个字母的 DNA 序列后，会并行给出许多组织和细胞系的读数。这样算得快，但模型的容量被摊薄，不容易分开相近的细胞类型。AlphaGenome 2 改成条件模型：一次只针对一种条件做预测，条件可以是组织、细胞类型或细胞状态。这段 DNA 之外，目标条件会进入架构的每一阶段，用来学习同一段序列在不同细胞里如何被读取。
训练数据包括人和小鼠的群体（bulk）样本，以及单细胞数据。博文写道，其中超过 1.07 亿个单细胞图谱，覆盖 68 种组织。Nature 报道称，训练用到的细胞类型包括 637 种人类细胞和 311 种小鼠细胞。除了基因表达、组蛋白修饰和染色质可及性这些上一版已有的读数，新模型还预测 DNA 甲基化。它把细胞的生物学状态和输出分开，因此在只输入一种测量（例如单细胞基因活性）时，也可以补出尚未测量的性质，比如染色质可及性。公司称，这有助于研究者决定下一步做什么实验。
在 TenK10K 上识别出的因果变异约为此前的近两倍
DeepMind 用来支撑“近两倍”这一说法的，是 TenK10K 这张覆盖 28 种原代免疫细胞的单细胞图谱。博文称，在这张图谱上，AlphaGenome 2 识别出的因果变异约占 30%，方向正确的基因效应约占 43%；作为对照的，是第一版在单细胞数据上微调后，再与其他专用工具相比，此前分别为 16% 和 23%。这些是公司测试。比较对象是“微调后的上一版以及其他专用工具”，不是未做微调的第一版本身，也不能外推成所有组织、所有疾病上的通用结论。
博文还写，在训练数据以外的基因组区域上，新模型能解释同一组织内、不同细胞类型之间更多的表达差异，例如人类造血干细胞逐步分化为红细胞和免疫谱系时的连续变化。在肠道免疫细胞的预测里，它把 IBD 那处因果变异单出来，并显示它主要在肠道巨噬细胞里推高 ETS2，对其他细胞类型和其他基因的影响大体有限。这是对已有实验结论的计算复核，不能代替实验室验证，也不能理解成模型已经发现了新的治疗方案。
The Verge 采访了基因组团队负责人 Žiga Avsec 和参与项目的研究科学家 Adam Gayoso。Gayoso 把进展概括为把人类遗传学和细胞生物学连起来：研究者可以沿着人群研究里标出的变异，往下看它在细胞层面可能造成什么影响。Avsec 说，如果目标是考虑如何治疗某种疾病，这种粒度很要紧，因为药物往往针对特定蛋白质和特定细胞类型。
不必重新训练，也可以对未见过的细胞状态做预测
新模型不必为每一次新的单细胞实验单独再训一遍。研究者可以上传几十个细胞的转录组快照，基因活性会被压成细胞状态表示，再用来给模型设定条件。博文称，在未见过的数据集上，它能够达到或超过直接在那些数据上训练或微调的模型。公司举的例子是一项 COVID-19 mRNA 疫苗研究：模型区分了疫苗激活的 T 细胞和静息 T 细胞，并显示一处与重症相关的变异，在激活状态下对基因活动的干扰更强；如果只看未激活的细胞，这个效应会被漏掉。
Human Cell Atlas 联合创始人、剑桥大学教授 Sarah Teichmann 在博文中评论说，让她觉得兴奋的是，模型能直接适配新的单细胞数据，不必重新训练。Genomics Limited 首席执行官 Peter Donnelly 则表示，期待把它纳入公司的 Mystra 平台。这些是合作方或外部研究者的评价，不是独立复现结果。Nature 称，描述该模型的预印本放在公司网站上；本轮未能打开一份可定位的全文，训练细节和完整基准表仍以官方博文为准。
更细的预测更贵，9 月那份全基因组清单暂时不会换代
Avsec 对 The Verge 说，他视 AlphaGenome 2 为上一版的后继，但短期内不会取代它。更细致的预测计算成本更高。若用新模型重跑 Atlas 那种覆盖人类基因组每一个可能单字母替换的清单，他在采访里认为并不现实。因此，9 月那份 1 PB、带有统一变异影响分数的目录，目前仍建立在上一版之上。两套工具眼下各管一段：新模型做细胞类型和状态，Atlas 的全基因组清单仍由上一版支撑。
访问方式也按用途拆开。公告称，非商业研究可通过 API 使用，并有交互式 Colab 教程；商业研究需要申请私有预览。DeepMind 还说，稍后会在代理式开发平台 Google Antigravity 中提供 AlphaGenome 2 的技能，方便研究者把专用模型接到工作流里。产品页上关于技能和 Atlas 的介绍，主要仍围绕既有工具，不能理解成新模型已经完成全基因组重算。
对药物发现或罕见病研究来说，能指出变异在哪一种细胞、哪一种状态下起作用，确实补上了组织平均预测缺的那一层。Lee 的那句话说明的是复核速度，不是实验可以被省掉。公司自己也把边界写在了博文末尾：这些预测用于研究，还没有通过临床或诊断用途的验证。
