
AlphaGenome 2把DNA變異放回細胞狀態解讀
DeepMind推出基因序列預測模型AlphaGenome 2。iThome 報道指出,這次更新的重點是把DNA序列置於指定細胞類型、組織或細胞狀態下分析,預測特定變異如何改變基因表現。對研究疾病機制的團隊而言,問題不再只是哪個變異可能相關,也包括它可能在哪一類細胞產生影響。
使用門檻與適用範圍同樣需要留意:AlphaGenome API現階段開放予非商業研究使用,商業研究則僅有私人預覽。這代表大學、醫院及生物資訊團隊若希望將它納入研究流程,仍須先確認其研究性質及API資格;商業應用能否使用,不能直接由非商業開放安排推論。
從平均訊號走向細胞情境
同一個人的不同細胞帶有相同DNA,啟動的基因卻可截然不同。因此,若只從整體組織的平均分子訊號出發,某個變異在少數細胞中產生的作用可能被稀釋。iThome 指出,初代模型可從長達100萬個鹼基的序列預測多種組織與細胞株特徵,但對相近細胞類型的區分較有限。
AlphaGenome 2採用條件式架構,把組織、細胞類型或細胞狀態作為條件,連同DNA序列一起輸入,並按每一項條件作預測。這種設計的意義在於:模型嘗試回答「這個變異在何種細胞情境下改變基因活動」,而不只是給出跨細胞的單一結果。
iThome 報道所引資料顯示,模型以人類及小鼠樣本訓練,涵蓋68種組織與逾1.07億筆單細胞資料。在涵蓋28種免疫細胞類型的TenK10K資料集上,當新舊模型的辨識精確率同為90%,新版找出確實影響基因表現變異的比例為30%,前代為16%;在判斷基因表現上升或下降的方向時,同樣維持90%正確率的條件下,新版辨識到43%的相關變異效應,前代為23%。
這些數字反映該資料集和指定門檻下的表現,不能直接等同於任何疾病研究或臨床場景的準確度。模型產生的是研究假設與優先排序依據,仍須以實驗、樣本設計及其他研究方法驗證。
少量新資料可建立新條件,但不等於診斷工具
新版另一項能力是使用未見過的單細胞RNA定序資料建立新的預測條件。iThome 指出,研究人員提供數十個細胞的基因表現資料後,模型可在毋須重新訓練的情況下分析新的細胞狀態。這有助把既有模型帶入特定研究中的細胞狀態,但輸入資料的代表性與品質,仍會直接影響結果是否值得後續追查。
DeepMind以COVID-19 mRNA疫苗研究資料測試時,模型區分了活化與未活化的T細胞,並預測一個與COVID-19重症相關的DNA變異,對活化T細胞基因活動的影響較大。另一個發炎性腸道疾病案例中,模型重現了先前研究的部分結果,指向特定變異可能提高腸道巨噬細胞中ETS2基因的表現。兩者均是計算預測或研究案例,不能據此作個人疾病診斷、風險判定或治療決策。
與一般生成式AI的工作不同
一般生成式AI常依prompt產生文字、影片或程式碼;AlphaGenome 2處理的是DNA序列、細胞條件及單細胞資料,以預測基因調控相關的量測結果。它也可由既有的單細胞基因表現資料,推測未量測的染色質開放程度與DNA甲基化狀態。這類跨模態推論可減少研究初期需要逐項量測的範圍,但不會取代實際量測。
iThome 報道亦提到,DeepMind預先計算了疾病及性狀相關變異在數百種人體細胞與組織條件下的預測結果。下一步值得觀察的是,這些預測能否在更多獨立資料和濕實驗中持續得到支持,以及非商業研究社群會如何把API納入變異篩選與驗證流程。
延伸閱讀
AI 輔助說明: 本文由 AI 協助整理。
參考來源
- iThome — 基因序列預測模型AlphaGenome 2深入細胞層次,追查疾病相關DNA變異 — original report
本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。







