谷歌AlphaGenome 2把基因预测做到单细胞-知了AI

谷歌 DeepMind 发布基因预测模型 AlphaGenome 2：这一次，它把预测精度从”组织平均”推进到了”具体细胞”。新模型以组织、细胞类型或细胞状态作为输入条件，依托超过 1.07 亿份人类与小鼠细胞数据、覆盖 68 种组织训练而成，还新增了 DNA 甲基化预测能力，疾病相关变异的识别能力接近上一代的两倍，面向非商业研究开放接口。

基因组学 AI 正在从”看大局”走向”看细节”。同一个基因变异，在肝细胞里可能毫无影响，在神经细胞里却可能触发疾病——只有做到单细胞分辨率，AI 对基因组的理解才真正贴近生物学现实。AlphaGenome 2 的发布，意味着这条路线又向前迈了一大步。

AlphaGenome 2 强在哪里

上一代模型给出的预测偏向”组织平均值”，就像体检报告只给你一个总数。AlphaGenome 2 改用条件模型架构，可以直接指定”我要看某种特定细胞类型在某类组织状态下的表现”，预测从粗粒度进入细粒度。这让研究人员能提出更精确的问题：这个变异在心肌细胞里会改变哪些基因表达？在炎症状态下呢？在某个尚未分化的细胞里呢？问题颗粒度变了，答案的价值就完全不同。

训练数据的规模是底气所在。新模型学习的数据涵盖人类与小鼠超过 1.07 亿份细胞图谱数据、横跨 68 种组织，相比前代数量级提升。数据越丰富，模型对细胞类型之间差异的刻画就越细腻，预测也就越接近真实实验结果。对计算生物学而言，这种”以数据换分辨率”的路径正在成为标准打法——单细胞测序技术的成熟，让海量的细胞状态数据成为可能，而大模型把这些数据消化成可推理的知识。

新增 DNA 甲基化预测

这一版还加入了 DNA 甲基化预测能力。甲基化是基因的”开关贴纸”——它不改变基因序列本身，却决定基因是否被激活，是理解癌症、衰老和发育问题的关键标记。模型还能跨模态补全未被实验测量的分子读出：实验室没测的数据，AI 可以基于其他模态信息推算出来，帮研究者省下大量实验成本。

跨模态补全的价值值得展开说：一次完整的多组学实验要同时测表达、开放性、甲基化等多个层面，成本高、周期长；如果模型能从已测层面可靠地推断未测层面，实验设计就可以”少测多推”，把预算集中在最关键的验证上。效果层面，官方口径显示疾病相关变异的识别能力接近上一代的 2 倍。对罕见病研究和精准医学来说，这意味着定位致病基因变异的效率大幅提升——在数百万个变异里筛出真正致病的少数，本来就是大海捞针式的难题。

对比维度	AlphaGenome（上一代）	AlphaGenome 2（新一代）
预测粒度	组织平均层面	具体细胞类型与状态
架构特点	通用序列模型	条件模型，可指定细胞类型输入
训练数据	大规模多组织数据	超 1.07 亿份细胞数据、68 种组织
表观遗传	有限覆盖	新增 DNA 甲基化预测
缺失数据	无法推断	跨模态补全未测分子读出
疾病变异识别	基线	能力接近翻倍
使用方式	研究开放	面向非商业研究开放接口

基因组 AI 的竞赛格局

DeepMind 在这个领域已有多年积累：更早的 Enformer 开创了长序列基因预测，随后的 AlphaFold 系列证明了 AI 解析生命科学问题的可行性，如今 AlphaGenome 2 把”序列加条件”的范式推向更深。谷歌的策略很清晰：用基础模型方式吃下基因组功能预测这块高地，再把成果开放给学术界换取数据与声誉，形成”开放换数据、数据养模型”的正循环。

竞争对手同样在快速推进。Arc 研究所与英伟达合作推出的长序列基因组模型瞄准进化尺度的大范围序列理解，各大学术团队则在转录调控、剪切位点预测等细分任务上持续刷榜。与蛋白结构预测”一枝独秀”不同，基因组功能预测领域是多头并进、各有专长的格局——没有哪家能包打天下，这反而给了研究者更多组合使用的空间。

非商业开放的用意

值得注意的是开放策略：接口面向非商业研究开放。这一方面延续了 DeepMind 将蛋白结构数据库开放给全球科学界的传统——开放带来学术引用、人才吸引和公共声誉；另一方面也为未来的商业化留了口子：制药公司要用，大概率要走合作或授权路径。科学开放与商业闭环并行，是谷歌系生命科学 AI 的一贯打法。

从行业生态看，这种开放也间接抬高了整个领域的基准线：学术界可以免费获得接近前沿的预测能力， forcing 商业玩家必须在服务、整合、验证深度上建立差异化。对中小实验室来说，这是最实惠的时刻——不需要自有算力训练大模型，一个接口调用就能获得顶级预测能力。

研究者的使用建议

对计算生物学团队，务实的用法是把它当作”第一轮筛选器”：先用模型预测变异的功能影响，把候选列表缩小几个数量级，再用湿实验验证重点目标。跨模态补全功能适合用来预判哪些实验值得做——如果模型推断某段区域在特定细胞状态下高度活跃，那正是值得花钱测量的地方。反过来，模型预测”无关紧要”的变异也不是直接丢弃的理由，负预测同样需要抽样验证，避免把模型盲区当成真阴性。

具体到课题设计，建议在实验方案里预设”模型预测加实验验证”的对照流程：同一批变异，先跑模型预测，再分层抽样做实验验证，持续积累”预测对错”的本地数据。这既是保证研究严谨性的必要动作，也能反过来评估模型在自己研究领域里的真实可靠度。

从预测到药物还有多远

基因预测模型的终极价值在药物研发链条的上游：理解变异如何致病，才能找到干预靶点。当前的能力仍以”理解”为主，距离直接指导用药还有距离，但路径已经清晰——变异解释、靶点发现、患者分层，每一步都有 AI 模型的位置。单细胞分辨率的预测能力，恰好补上了从人群研究到个体化医学之间的关键一环：同一疾病在不同患者身上的分子机制可能不同，细胞类型的精度正是个体化的前提。

对国内研究者，这类开放接口降低了参与前沿研究的门槛：无需自有算力训练大模型，即可调用预测能力辅助课题设计。值得跟进的动作包括：关注官方文档中支持的组织与细胞类型清单、在课题中设计”模型预测加实验验证”的对照流程、以及留意后续商业化授权政策的发布节奏。国内的单细胞测序数据产出规模位居世界前列，如何把这些数据资产与开放模型结合起来，是本土团队可以建立的比较优势。

拉长视角看，生命科学与 AI 的融合正在重复计算机视觉走过的路：先是通用大模型建立基线，然后是条件化、精细化能力的持续渗透。当 AI 能以接近实验的精度预测任意细胞类型中的基因组行为，生物学研究的成本曲线将被永久改写——假设检验的节奏从”月”压缩到”天”，实验预算从”全面测量”转向”关键验证”。AlphaGenome 2 的意义，就在于它把这条曲线又向下推了一大截，而曲线的终点，是让每一个基因变异的意义都变得可查询、可解释、可验证。

三类团队最该关注这次更新

第一类是罕见病与临床遗传团队。致病变异的筛选是漏斗形工作：全基因组测序能给出数百万个变异位点，传统方法靠保守性评分和人群频率过滤，效率有限。新一代预测模型把细胞状态纳入条件后，可以回答”这个变异在患者病变组织的细胞里意味着什么”，筛选精度提升直接转化为诊断周期缩短。对疑难病例，先用模型把候选位点缩到几十个，再针对性设计验证实验，是把 AI 用对地方的标准姿势。

第二类是药物研发早期团队。靶点发现的前提是理解变异与疾病的因果链，而因果链藏在特定细胞类型的特定状态里。条件化预测能力让”虚拟筛选”从化合物层面延伸到了机制层面：哪些组织的哪些细胞受影响、影响通过什么通路传导，模型可以给出优先级排序，帮实验团队把有限的资源投向最值得验证的假设。

第三类是基础研究领域的 PI 与博士生。跨模态补全意味着实验室没测的数据可以先”问模型”，把宝贵经费集中到真正需要新实验的问题上。AlphaGenome 这类开放接口的最大功德，是把”用上前沿 AI”的成本从自建集群降到了一次接口调用——研究方案的想象力，不再被算力预算卡住。

当然，开放模型的边界也要讲清楚：非商业授权意味着成果转化阶段需要重新洽谈；预测与实验结论之间的差距需要制度化地记录；模型的训练数据以公开数据库为主，稀有细胞类型、罕见组织的覆盖天然更薄，用在这些场景时要格外谨慎。把模型当同事而不是神谕，是生信领域拥抱 AI 的正确姿态。

结果怎么验证：一套可复用的对照框架

模型预测再好，也必须回答”你怎么知道它是对的”。对普通研究团队，可以搭一套轻量的对照框架。第一步选基准：挑一批自己领域里已有实验结论的变异位点，作为”已知答案”考题。第二步分层抽样：把模型预测按置信度分层，从高置信到低置信各抽若干位点做实验验证，重点看低置信区间的翻车率——那里才是决定这个工具能不能用的关键。第三步记录偏差：把预测与实验不一致的案例整理成内部文档，标注是数据覆盖不足、细胞类型特殊还是模型系统性盲区。第四步迭代用法：根据偏差分布调整工作流，比如某些组织类型一律不做负预测采信。

这套框架的成本不高，却是把 AI 从”玩具”变成”工具”的分水岭。实验室里最忌讳的是两种极端：一种是完全不信，一切靠实验，成本降不下来；另一种是全信，把预测当结论写进论文，翻车只是时间问题。对照框架的价值在于给出第三条路——有据可依的信任。

数据科学与湿实验的分工重构

更深远的影响在于实验室内部的角色分工。过去湿实验科学家是绝对主角，计算生物学更像是辅助注释角色；现在预测模型的地位接近”第一轮评审”——它决定哪些假设值得上实验台。相应的，团队里懂模型、会解读预测置信度的角色越来越重要，实验设计的起点从”文献里有什么线索”变成”模型和文献各说了什么、冲突在哪里”。新一代生物学科研人员的技能清单里，提示工程和结果解读已经和移液枪操作一样基础。

人才培养的供给端也在跟上：国内多所高校的生物信息课程已经把大模型应用列为必修模块，企业端的生信岗位招聘要求里，”会用预测模型设计实验”正在从加分项变成标配。工具的普及速度从来快于人的经验积累，这个错位期恰恰是复合型人才的红利期。

回到这次发布本身，还有一个容易被忽略的信号值得记录：条件模型架构在基因组领域的成功，验证了”基础模型加条件输入”范式在科学计算里的普适性——同一个骨架，换一批条件输入和训练数据，就能从”平均预测”进化到”按需预测”。这意味着未来我们会看到更多学科出现类似的版本跃迁：气象模型按区域细化、材料模型按晶型细化、药物模型按靶点细化。科学的 AI 化不是一个个孤立的应用，而是同一套方法论在不同领域的批量复制。对跨领域的研究者，看懂这一次更新，就等于预读了下一个领域的技术路线图。

最后，把这次发布放回更宏大的叙事里：生命科学正在经历 AI 化的第二阶段——第一阶段解决”结构”问题，蛋白结构预测让静态构象触手可及；第二阶段解决”功能”问题，变异如何影响细胞、细胞如何决定命运，这些动态问题正在被逐个攻下。功能层的数据复杂度远高于结构层，但路径已经验证、范式已经确立，剩下的只是时间与数据的积累。当预测模型与实验体系真正咬合成一台完整的发现机器，基因组的”可查询时代”就会真正到来。对每一位关注这个领域的人来说，现在入场的时机不早不晚：工具已经够用，问题仍然新鲜，行业历史正在窗口期里等待新的参与者。谁先把自己的数据接上这台发现机器，谁就先一步看见别人还看不见的答案——这大概就是这一次更新最朴素、也最诚实的注脚。