跳到主要內容
maxstudioNews
產品Google DeepMind約 10 分鐘

AlphaGenome 2:深度解析細胞如何讀取 DNA,加速疾病理解

Google DeepMind 推出新一代模型 AlphaGenome 2,能預測 DNA 序列及其變異如何影響特定人類細胞類型。這項技術為科學家提供強大工具,有助於揭示疾病的細胞驅動因素,並從廣泛組織層面深入至個別細胞類型與狀態進行預測。AlphaGenome 2 大幅提升了變異預測效能,能更精確地找出與疾病相關的基因變異。

AlphaGenome 2:深度解析細胞如何讀取 DNA,加速疾病理解
圖片來源:Google DeepMind

2026 年 11 月 11 日,科學版。作者:Adam Gayoso、Natasha Latysheva、Pushmeet Kohli 和 Žiga Avsec。我們的新一代 DNA 序列模型連結了單細胞生物學與人類遺傳學,能預測基因變異如何影響數百種人類細胞類型。

今天,我們宣布推出 AlphaGenome 2,這是我們的新一代模型,能預測 DNA 序列及其變異如何影響特定人類細胞類型。這為科學家提供了一個強大的新工具,以揭示疾病的細胞驅動因素。

細胞是生命的基石。我們體內的每個細胞都帶有相同的 DNA 藍圖,然而,每種細胞類型和狀態,例如心肌細胞或對抗感染的免疫細胞,都會開啟或關閉不同的基因來執行其功能。像「人類細胞圖譜」(Human Cell Atlas)這樣的全球性計畫,正在繪製數百萬個細胞的基因表現圖,但預測微小的 DNA 變異如何影響細胞中的基因表現,仍然是一個尚未解決的挑戰。這正是人類特徵和疾病的關鍵驅動因素。

去年,我們推出了 AlphaGenome,用於預測 DNA 變異如何影響廣泛組織的分子活動。隨後,我們透過 AlphaGenome Atlas 擴展了其應用範圍,這個平台包含了人類基因體中所有 90 億種可能的單一字母變化的預測。這些工具幫助研究人員優先排序和解釋變異效應,推動了罕見疾病、複雜性狀和基礎生物學的發現。

透過從廣泛組織平均值深入到個別細胞類型和細胞狀態,並重新設計模型架構,AlphaGenome 2 在變異預測效能上實現了質的飛躍。重要的是,它讓研究人員能夠預測在廣泛組織模型中可能被忽略的、與疾病相關的細胞中的變異效應,以及模型以前從未見過的細胞和疾病狀態的預測。

與我們之前最先進的模型相比,AlphaGenome 2 識別出近兩倍的細胞基因表現變異。該模型在來自 68 種組織的超過 1 億個單一細胞資料上進行訓練,將靜態細胞圖譜轉變為人類遺傳學的預測引擎。AlphaGenome 2 現已透過 AlphaGenome API 提供非商業研究使用,並開放商業研究的私人預覽。

重新設計 AlphaGenome 以適用於特定細胞類型。AlphaGenome 1 和 2 處理細胞類型的方式有所不同。AlphaGenome 從 100 萬個字母的 DNA 序列產生固定且平行的批量組織和細胞系輸出。AlphaGenome 2 則是一個條件式模型,它將特定的生物條件與輸入 DNA 序列一同考量,這些條件可以從細胞類型參考目錄中選擇,也可以透過我們的細胞編碼器從科學家自己的單細胞實驗中即時生成。

第一個 AlphaGenome 模型接收 100 萬個字母的 DNA 序列,並一次性預測來自許多組織的數千個實驗的特性。儘管效率高,但這種平行方法分散了模型的容量,使其難以捕捉密切相關細胞類型之間的細微差異。

為了改進這一點,我們從根本上重新設計了模型處理細胞類型的方式。AlphaGenome 2 不再平行預測,而是一個條件式模型,一次只預測一個條件(定義為組織、細胞類型或狀態)的 DNA 效應。它將目標生物條件與 100 萬個字母的 DNA 序列一起作為其架構每個階段的輸入。這使得它能夠學習同一段 DNA 在不同細胞類型中如何被不同地讀取。

條件式模型還允許跨模態補齊(cross-modality imputation),使 AlphaGenome 2 能夠預測缺失的實驗數據。該模型將細胞的生物狀態與其輸出分開,因此如果科學家只輸入一個測量值,例如單細胞基因活動,AlphaGenome 2 就能預測未測量的特性,例如染色質可及性。這可以幫助研究人員優先決定接下來要進行哪些實驗。

我們使用來自人類和小鼠樣本的批量和單細胞數據訓練了 AlphaGenome 2,其中包括超過 1.07 億個單一細胞資料。AlphaGenome 2 超越了原始模型的批量組織平均值,能夠解析專門細胞(例如不同的心肌細胞或血液免疫細胞)內的活動,有助於揭示僅在特定細胞類型中起作用的關鍵 DNA 變異。

該模型預測與 AlphaGenome 相同的 DNA 功能核心實驗讀數,例如基因表現、組蛋白修飾和染色質可及性,同時也新增了廣受需求的 DNA 甲基化讀數。

AlphaGenome 2 在預測特定細胞中的基因調控方面顯著優於前代,幫助研究人員精確定位與疾病相關的變異。在訓練數據之外的基因體區域,AlphaGenome 2 能顯著解釋更多基因表現如何在組織內的不同細胞類型之間產生差異,追蹤基因表現的連續變化,例如人類血液幹細胞成熟為紅血球和免疫細胞譜系的過程。

在 TenK10K 資料集(一個包含 28 種主要免疫細胞類型的大型單細胞圖譜)上,AlphaGenome 2 可靠地識別出近兩倍的致病變異(30% 對 16%)和定向基因效應(43% 對 23%),優於經過單細胞數據微調的原始 AlphaGenome 和其他專門工具。這種精確度有助於研究人員找到被忽視的候選變異,從而帶來新的發現。

一項近期具里程碑意義的研究顯示,遠端調控開關中的一個變異透過過度活化腸道免疫細胞(巨噬細胞)中的 ETS2 基因來驅動發炎性腸道疾病(IBD)。AlphaGenome 2 透過對腸道中各種免疫細胞類型進行預測,以計算方式重現了這一發現。它挑選出致病變異,並顯示該變異選擇性地增強了腸道巨噬細胞中的 ETS2 基因,而其他細胞類型和基因則基本不受影響。

AlphaGenome 2 的預測更接近觀察到的基因表現。一張顯示成熟紅血球(或造血作用)基因表現的熱圖,展示了行標準化(Z-scored)的觀察值(左)、AlphaGenome 2 的預測值(中),以及經過單細胞數據微調的 AlphaGenome 1 預測值(右)。對於每張熱圖,不同的基因位於水平行,而造血分化的連續階段則位於垂直行。

AlphaGenome 2 還可以推廣到全新的單細胞實驗,而無需重新訓練。科學家可以上傳僅包含數十個細胞的單細胞 RNA 定序基因活動快照;這些基因活動隨後被壓縮成細胞狀態表示,然後用於在未見過的狀態下調整模型。AlphaGenome 2 能夠與直接在這些數據集上訓練或微調的模型相媲美,甚至超越它們。

這使得 AlphaGenome 2 能夠預測新細胞狀態(例如由疾病或疫苗接種引起的狀態)的變異效應和基因調控。例如,在 COVID-19 mRNA 疫苗研究中,AlphaGenome 2 區分了疫苗活化的免疫 T 細胞和靜止的 T 細胞。它還揭示了一個與嚴重 COVID-19 相關的變異,在細胞處於這種活化狀態時,會更強烈地破壞基因活動,這種效應在未活化細胞中會被忽略。

理解疾病的一種方法是將人類遺傳學與細胞生物學連結起來。建立這種連結的一個重要部分,需要將全基因體關聯研究(GWAS)中發現的數千個與性狀和疾病相關的變異,與不斷增長的人體單細胞圖譜聯繫起來。

為了幫助研究人員在不自行進行大規模計算的情況下建立這些連結,我們預先計算了 AlphaGenome 2 對數百種人類細胞和組織條件下與性狀相關變異的預測,解決了兩大挑戰:

繪製真實人類細胞類型中的增強子與基因連結:許多與疾病相關的變異位於遠端調控開關,稱為增強子,這使得它們的效應難以追蹤。由於實驗性 CRISPR 篩選主要使用穩定的實驗室培養細胞系,科學家通常缺乏人體特定細胞的這些連接圖。AlphaGenome 2 將增強子與基因的映射擴展到主要人類細胞類型,例如支持和保護神經元的腦星形膠質細胞,幫助研究人員將調控變異與疾病發生的特定細胞中的目標基因連結起來。

精確定位致病 GWAS 變異及其作用細胞:全基因體關聯研究標示出與疾病相關的廣泛 DNA 區域,但研究人員不總能高信心地找到確切的致病變異、目標基因和細胞類型。對於從身高到第二型糖尿病等多種複雜性狀,AlphaGenome 2 的預先計算變異分數有助於精確定位最可能相關的特定變異和細胞類型。當有足夠信心時,該模型還能準確預測變異是提高還是降低基因活動,這是理解該基因如何導致疾病的關鍵線索。

隨著科學家在單細胞層面繪製更多人體圖譜,AI 模型將持續變得更加強大。透過我們持續的合作,包括與 Wellcome Sanger Institute 的研究人員,我們正在努力描繪更廣泛的人類細胞類型、發育譜系和受擾動的細胞狀態。我們期待看到來自各社群的研究人員如何使用 AlphaGenome 2 及其改進的細胞類型特異性預測,來揭示基因變異如何在細胞中發揮作用,以及這對基礎生物學和疾病的啟示。

AlphaGenome 2 以及用於表現條件化的互動式 Colab 教學,現已透過 AlphaGenome API 提供非商業研究使用,並開放商業研究的私人預覽。很快,我們將在 Google Antigravity(我們的代理開發平台)中發布 AlphaGenome 2 Skills。

像 AlphaGenome 2 這樣的專業模型與 Antigravity 中像 Gemini 4 這樣強大的代理科學工具的結合,將幫助科學家加速研究並做出新的發現。

我們非常感謝信任的測試者社群對 AlphaGenome 2 的回饋,以及許多幫助創建訓練數據集的個人和研究人員。我們樂於展示社群可以學習的 AlphaGenome 2 有趣用例。請在 11 月 30 日前透過此表格聯繫我們;選定的專案可能有資格獲得額外的配額和積分。我們也希望透過社群意見來塑造我們未來的發展藍圖,請在我們的社群論壇中分享您的回饋和想法。

請注意,AlphaGenome 和 AlphaGenome 2 僅供研究使用,尚未經過臨床或診斷目的的驗證或批准。

致謝

核心研究工作得益於 Adam Gayoso、Anne Mottram、Alexander Karollus、Guido Novati、Pavol Drotár、John Reid、Laetitia Meng-Papaxanthos、Adam Kosiorek、Eirini Arvaniti、Vincent Dutordoir、Soham De、Tom Ward、Lai Hong Wong、Matteo Perino、Kyle Taylor、Jun Cheng、Natasha Latysheva、Joshua Pan、Dhavanthi Hariharan、Clare Bycroft、Lauren Nicolaisen、Demis Hassabis、Pushmeet Kohli 和 Žiga Avsec 的貢獻。

我們感謝以下人員的支持和回饋,包括 Gabriella Stanton、Charlie Taylor、Raina Thomas、Lucas Tenório、Antonio García、Joseph Powell、Angli Xue、Trygve Bakken、Nelson Johansen、Junyue Cao、Ziyu Lu、Jacob Hepkema、Leopold Parts、Irina Voineagu、Souradeep Basu、Michal Zielinski、Jeff Cao、Ioannis Sarropoulos、Sarah Teichmann、Amanda Stafford、Eliseo Papa。

最後,我們感謝 Evie Gray、Adriana Fernandez Lara、Alex Wilkins、Danielle Breen、Dimple Vijaykumar、Muinat Abdul、Chris Kwaku-Abdullahi、Kathryn Seager、Ryan Smith、Ross West 和 Gaby Pearl 的專業知識。

Share

覺得值得一看?分享給朋友。

以上為 AI 自動翻譯導讀。原文版權歸 Google DeepMind 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。

Newsletter

不用每天追,AI 重點每週寄給你

43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。

每週一封。Email 只用來寄電子報,每封信都能一鍵退訂。