一个基因突变究竟意味着什么，如今可以问到单个细胞的层面。谷歌 DeepMind 发布了新模型 AlphaGenome 2，它在评估变异影响时会把“身处哪种细胞”纳入考量，答案因此能细化到具体细胞类型，甚至细胞当时所处的状态。
人体细胞共享同一份 DNA，差别出在基因的开关组合上：心肌细胞运行一套表达程序，负责抵御感染的免疫细胞运行另一套。同一个突变落在不同细胞里，后果可能截然不同。长期以来，正是这种细胞层面的特异性，让疾病基因的定位工作进展缓慢。
上一代 AlphaGenome 只能描绘组织层面的整体分子活动，对具体细胞内部的细微差别无能为力。新版模型改用条件式架构，把目标组织、细胞类型或状态直接作为输入；训练语料汇集了人与小鼠合计超过 1.07 亿个单细胞图谱，覆盖 68 种组织。
多组基准测试印证了架构调整的成效。新模型识别相关变异的能力接近上代的两倍；在覆盖 28 类原代免疫细胞的 TenK10K 测试中，它检出 30% 的致病变异，上一代即便经过微调也只做到 16%。预测基因表达变化方向时，准确率从 23% 升至 43%。
面对训练阶段从未见过的细胞，模型也能给出分析。使用者只需上传少量单细胞 RNA 测序数据，系统即可处理新的细胞类型与状态。在一项新冠 mRNA 疫苗数据的分析中，它区分出激活态与静息态的免疫 T 细胞，并判断某个与重症相关的变异在细胞被激活时作用更明显。
预测指标的范围同样在扩大。组蛋白修饰、染色质可及性和 DNA 甲基化被纳入模型，其中 DNA 甲基化是上一代完全缺失的项目。跨模态推断也已打通：仅提供基因活动数据，系统就能反推其他未经直接测量的指标。
这款模型于当地时间11月11日正式开放：非商业研究者可通过 AlphaGenome API 直接调用，商业用途则需申请私有预览。谷歌方面强调，系统仅限科研场景，尚未取得任何临床或诊断用途的批准。
