结论：谷歌 DeepMind 于 2026-11-11 发布 AlphaGenome 2，将基因变异预测下沉到单个细胞，识别致病变异的能力接近翻倍。
关键数字：因果变异识别占比 30%（初代 16%）、效应方向判断 43%（初代 23%）；训练覆盖 68 类组织、超 1.07 亿个单细胞。

指标	AlphaGenome 2	初代 AlphaGenome
因果变异识别占比	30%	16%
效应方向判断准确率	43%	23%
训练单细胞图谱	超 1.07 亿	未公开
覆盖组织类型	68 类	宽泛组织均值

为什么从”组织均值”下沉到”单细胞”

人体几乎所有细胞共享同一套 DNA，但不同细胞按需开关不同基因。同一种遗传变异在心肌细胞与免疫细胞中可能产生完全不同的影响。

初代 AlphaGenome 一次性读取百万字母长度的 DNA 序列，并行预测多类组织的数千项属性。这种方式效率高，却会摊薄模型算力，难以捕捉近缘细胞类型之间的细微差异。

30% 对 16% 是怎么测出来的

在覆盖 28 类原代免疫细胞的 TenK10K 大型单细胞数据集中，AlphaGenome 2 识别到的因果变异占比达 30%，初代仅为 16%；基因效应方向判断准确率达 43%，初代为 23%，均接近翻倍。

架构上，新模型改为”条件式”：除百万字母 DNA 序列外，把目标生物条件（组织、细胞类型或状态）作为每阶段输入，从而学习同一段 DNA 在不同细胞中的读取差异，并新增备受需求的 DNA 甲基化预测。

它能在哪里帮到药物研发

一个可验证案例是炎症性肠病：一段远端调控序列的变异会过度激活肠道免疫巨噬细胞中的 ETS2 基因。AlphaGenome 2 在计算层面复现该结论，并精准定位到这一因果变异只选择性提升肠道巨噬细胞的 ETS2 活性。

模型无需重新训练即可泛化到未见过的细胞与疾病状态。科研人员仅上传数十个细胞的单细胞 RNA 测序快照，模型就能压缩为细胞状态表征并作为条件输入，性能可媲美在对应数据集上专门训练的模型。

对科研与产业的意味

对药物靶点发现，细胞级精细分析价值突出：药物通常针对特定蛋白与细胞类型，弄清变异影响了哪些细胞，才能更准确地定位治疗靶点。AlphaGenome Atlas 已用初代模型预计算约 90 亿种单字母变异，与新模型形成”广覆盖+深分析”互补。

值得注意的是，AlphaGenome 2 计算成本更高，现阶段仍定位科研工具，未经临床或诊断验证。中国科研人员可通过 AlphaGenome API 使用非商业研究版本。

常见问题

AlphaGenome 2 和 Atlas 是什么关系？

Atlas 用初代模型预计算约 90 亿种单字母变异，适合全基因组广覆盖；AlphaGenome 2 聚焦特定细胞类型的精细分析，两者承担不同任务、相互补充。

中国研究者能用上吗？

2026-11-11 起通过 AlphaGenome API 面向非商业研究开放，商业研究处于私密预览阶段。模型定位科研用途，尚未经过临床验证。

信息来源：谷歌 DeepMind 官方博客（2026-11-11 发布）；IT之家报道（2026-11-11 发布）。