同一段DNA，为何在不同细胞里表现不同？AlphaGenome 2想回答这个问题

心肌细胞负责收缩，免疫细胞追踪病原体。它们来自同一个人，通常拥有基本相同的基因组，却做着截然不同的工作。差别很大程度上来自基因怎样被使用：哪些被启动，哪些保持安静，以及启动到什么程度。

这也让遗传病研究多了一层难度。找到一个与疾病有关的DNA变化，还远远不够。研究者需要知道，它在哪种细胞里起作用，影响了哪个基因，又把基因活动推向什么方向。

Google DeepMind于2026年11月11日发布的AlphaGenome 2，正试图把这些问题放在一起回答。它将细胞类型和细胞状态纳入预测，让同一段DNA可以在不同的生物学背景下被分别分析。与此前的AlphaGenome相比，这次升级的看点是把视线从组织平均值进一步移向具体细胞。官方发布说明

为什么只看DNA序列还不够

可以把基因组想成一座大型图书馆。不同细胞拥有相近的藏书，但日常取用的书目不同。一个调控区域发生变化，可能影响某类细胞经常读取的内容，对另一类细胞却没有明显影响。

这里容易被忽略的是“调控”二字。许多与性状和疾病有关的遗传变化，并不直接改写蛋白质的编码，而是落在控制基因活动的区域。一些调控区域距离目标基因很远，中间甚至隔着其他基因。因此，按物理距离寻找最近的基因，未必能找到真正受影响的对象。

官方发布说明用肠道免疫细胞的研究案例解释这一点：理解疾病，既要看遗传变化，也要看受影响的基因和细胞。这样的分析比笼统判断“某段DNA与疾病有关”更具体，但计算预测仍需独立研究验证。官方研究介绍

组织平均值还有一个现实问题：少量细胞中的强烈变化，混入大量其他细胞后可能变得不显眼。对研究者来说，观察尺度选错了，就可能错过真正值得追踪的线索。

扫描电镜下的人类血液，可见不同形态的血细胞与血小板。这张历史科学照片用于展示血液细胞的多样性，并非AlphaGenome 2的输出或本次研究样本。成熟红细胞没有细胞核，不能用它直接说明“同一基因组的不同读取”。摄影：Bruce Wetzel、Harry Schaefer／美国国家癌症研究所（NCI）；公有领域，来源：Wikimedia Commons。 图片来源与使用说明；公有领域标记

新模型多问了一句：这是哪种细胞？

AlphaGenome 2把DNA序列和生物学条件一起作为输入。这个条件可以来自预设的组织、细胞类型或状态，也可以从研究者自己的单细胞数据中提取。模型因此能够围绕选定条件开展预测，而不是只依靠一组固定的组织输出。

普通读者可以这样理解：过去更像一次查看许多组织的总体表现，现在能够指定观察对象，再问这段DNA在该对象中会怎样工作。这是一种建模方式的变化，不意味着软件里已经装进了一个完整的虚拟人体。

模型能分析很长的一段DNA，但观察范围仍然有限。它没有同时纳入整个人体全部的遗传和环境因素，因此一段基因组的预测不能代替对疾病的完整解释。输入与坐标说明

“接近翻倍”究竟翻倍了什么

研究论文中有一个很容易被传播标题简化的结果：在TenK10K单细胞数据评测中，保持90%精确率时，因果表达变异的召回率从上一代单细胞微调模型的16%提高到30%；在90%方向判断准确率下，相应召回率从23%提高到43%。AlphaGenome 2研究论文

精确率关心的是“挑出来的候选有多可靠”，召回率关心的是“符合目标的对象找回了多少”。用一个简化例子理解：假如评测集合里有100个需要找出的对象，16%和30%的召回率大致相当于分别找回16个与30个。这个例子只解释指标，并非论文的实际样本数量。

这组结果对筛选实验候选很有吸引力。研究人员的预算、细胞样本和实验时间都有限；在维持较高可信度的前提下，多找出一批候选，可能改变下一轮实验的优先顺序。

但“找回更多”与“全部看懂”之间仍有很大距离。它不能改写成诊断准确率翻倍，更不能推导出疾病风险已经能够被准确预测。模型评测解决的是限定任务里的统计表现，临床问题还涉及患者背景、病程和其他证据。

新细胞状态能接进来，但数据质量仍然重要

一个细胞的身份也不是永远不变的。免疫细胞处于静息或激活状态时，基因活动会发生变化。研究者面对新队列、新处理条件或罕见细胞状态，往往希望利用自己刚测得的数据，而不是等待一个覆盖该场景的新模型。

官方资料介绍，AlphaGenome 2能够利用已有的单细胞数据描述细胞状态，不必为每个新数据集重新训练模型。这拓宽了研究范围，但预测质量仍受数据质量和模型能力影响。官方研究介绍

判断这类结果时，需要分清数据中已经观察到的现象和模型推测出的关系。免去重新训练，并没有免去独立验证；来自有限样本的发现，也不能直接推广到所有人群。

另一个值得注意的能力是推测尚未测量的信号。它可以帮助研究者提出下一步测什么的假设。不过，界面里出现一条预测曲线，并不意味着相应实验已经做过。官方明确将未经基准验证的推补结果标记为探索性结果；阅读时必须分清预测与测量。推补结果说明

离解释疾病，还有哪些距离

研究论文也坦承，新模型在高精确率要求下仍只找回一部分候选；很远的调控作用、某些转录后机制，以及训练数据覆盖不足的疾病或短暂细胞状态，仍然是难点。由观察数据学习到的状态关系，也不能自动等同于干预实验中的因果关系。研究论文讨论部分

这些限制影响结果的解释。如果模型没有预测出显著影响，也不能据此断言某个遗传变化无关紧要。模型可能尚未覆盖正确的细胞状态，或者对相应机制并不敏感；它提出的线索仍需要独立证据支持。

从这个角度看，AlphaGenome 2更可能首先改变实验前的准备工作：把一张很长的候选清单整理成更有依据的优先级，让科学家把有限资源投入更有希望、也更容易被验证的问题。

谁能使用，边界是什么

AlphaGenome 2目前通过官方API面向非商业研究开放，同时为商业研究提供私有预览。访问范围、额度和使用条件由官方文档规定，不能把科研开放理解为无条件、无限量使用。API文档

对普通读者，更值得留意的是后续研究有没有交代数据来源、比较对象和验证范围。个别案例的成功，不能替代跨人群、跨疾病的独立评估。

使用范围同样需要说清。官方FAQ规定，直接API输出和Atlas评分限非商业科研，不得用于训练机器学习模型或临床决策。AlphaGenome 2发布时的商业科研访问处于私有预览，企业需求需要走官方商业渠道，不能把“科研免费”理解为任意商用。使用限制

AlphaGenome 2把一个重要问题问得更细了：同一个遗传变化，究竟在什么细胞、什么状态下，影响了什么。真正值得期待的后续进展，是这些预测能否在更多独立实验里经受检验，并帮助研究者找到过去容易被组织平均值遮住的机制。