11 月 11 日，谷歌 DeepMind 发布 AlphaGenome 2，把「一个基因变异会造成什么后果」的预测，从原来的组织级别细化到了单个细胞类型和细胞状态。原因很直白：人身上每个细胞都带着同一套 DNA，但心肌细胞和抗感染免疫细胞各自打开的基因天差地别，同一个突变落在不同细胞上，结果可能完全相反。正是这层复杂性，长期卡着疾病相关基因的定位。
做法上，上一代 AlphaGenome 只看不同组织整体的分子活动，对特定细胞里的细微差异力不从心。新一代换成条件式架构，把目标组织、细胞类型或细胞状态当作输入条件直接喂进去。训练数据是人和小鼠超过 1.07 亿个单细胞图谱，覆盖 68 种组织。效果上，识别相关变异的能力接近上一代的两倍；在覆盖 28 类原代免疫细胞的 TenK10K 测试里，它能揪出 30% 的致病变异，上一代微调后只有 16%；预测基因表达变化方向的准确率从 23% 提到 43%。
更实用的是泛化能力：只要上传少量单细胞 RNA 测序数据，它就能分析自己没见过的细胞类型和状态。在新冠 mRNA 疫苗的数据上，它把激活状态和静息状态的免疫 T 细胞区分开了，还指出某个与重症相关的变异在细胞被激活时影响更明显。功能上也补齐了组蛋白修饰、染色质可及性，以及上一代缺失的 DNA 甲基化预测，并支持跨模态推断——只给基因活动数据，也能反推没测过的指标。
使用方式上，模型通过 AlphaGenome API 向非商业研究开放，商业用途走私有预览。谷歌特别强调，这些能力只限科研使用，没有获得临床或诊断方面的批准。
boxiyunAI的看法
- 从"组织"到"细胞"，这一步踩在了真正的难点上。 很多疾病的相关基因一直定位不准，就是因为把整块组织混在一起测，信号被不同细胞平均掉了。能看到具体是哪类细胞出的问题，才谈得上找靶点。
- 泛化这一条比跑分更有价值。 实验室自己测一批单细胞数据，上传少量样本就能分析没见过的细胞类型，省掉的是重新训练模型的时间和算力。对经费有限的小课题组，这是实打实的门槛降低。
- 数字要看清楚。 30% 的致病变异识别率听着不高，但它是严格测试集上的结果，而且是上一代的两倍左右；方向预测 43% 同样只是起步水平。这是研究工具，不是诊断结论。
- "仅限科研"这句话别忽略。 模型给出的预测再准，也不能直接拿去做临床判断。真要用到诊断环节，需要单独的验证和审批，周期以年计。
这项进展的实际意义，是让基因研究从看整体组织，转向看具体哪一类细胞在什么状态下出的问题。对做新药靶点发现、做免疫和心血管疾病研究的团队，这是一件能马上用起来的工具；对普通人，短期内感受不到变化，但它会一点点缩短从"发现一个变异"到"搞清它为什么致病"之间的时间。
