跳到主要內容
2026-11-12 日報
研究與評測

Google DeepMind 發布 AlphaGenome 2,以單細胞層級預測基因變異影響,已驗證的變異召回率近翻倍

Google DeepMind綜合 3 家報導一手來源
核實資料不足

來源為發布方或研究資料;不代表所有主張已獲獨立核實。

本次未取得足夠原文證據

Google DeepMind 發布新一代 DNA 序列模型 AlphaGenome 2,可預測 DNA 序列及其變異如何影響特定人體細胞類型(如心肌細胞、免疫細胞)的基因表達,目標是協助科學家找出疾病的細胞層級驅動因素。前代 AlphaGenome 只能預測寬泛組織層級的分子活性,並在去年推出;另有覆蓋人類基因組全部 90 億種單字母變異的 AlphaGenome Atlas。 與前代最主要的差異在架構:AlphaGenome 2 改為條件式模型,每次只針對一種條件(組織、細胞類型或細胞狀態)預測 DNA 效應,並在架構各階段將該生物條件作為輸入。據官方說法,這讓模型能學習同一段 DNA 在不同細胞中如何被讀取差異。模型亦支援跨模態填補,只輸入單細胞基因活性等一種量測,即可推估染色質可及性等未量測的特性。除原有的基因表達、組蛋白修飾與染色質可及性外,新增 DNA 甲基化讀出。 訓練資料方面,模型以人類與小鼠的大量(bulk)與單細胞資料訓練,涵蓋 68 種組織、超過 1 億個單細胞圖譜(官方另稱 107 百萬個細胞)。官方報告在 TenK10K 資料集(28 種初代免疫細胞類型)上,因果變異識別率為 30%,前代與其他專用工具為 16%;方向性基因效應判定為 43%,對比 23%,均為官方自行公布的數據。官方亦稱模型以計算方式重現了一項研究發現:遠端調控開關中的變異透過過度活化腸道巨噬細胞中的 ETS2 基因引發發炎性腸病(IBD),模型能指出該因果變異,且影響主要限於該細胞與基因。 在新細胞狀態方面,使用者可上傳僅數十個細胞的單細胞 RNA-seq 快照,模型無需重新訓練即可套用,官方稱表現可匹敵或超越針對該資料集直接訓練或微調的模型。目前 AlphaGenome 2 已透過 AlphaGenome API 開放非商業研究使用,商業研究則為私密預覽。以上效能數據皆來自 DeepMind 自家發布,尚待獨立評測驗證。
讀原始報導

背景

AlphaGenome 是 Google DeepMind 開發的大型深度學習系統,用來預測 DNA 片段如何調控基因表現。其延伸平台 AlphaGenome Atlas 收錄了人類基因組中全部 90 億種可能的單字母變異的預測。人類細胞圖譜(Human Cell Atlas)則是一項全球計畫,目標是描述人體所有細胞類型。

來源