
AlphaGenome 2 將基因變異預測推進至單一細胞層面
Google DeepMind 發布 AlphaGenome 2,目標是預測 DNA 變異會如何影響不同的個別細胞類型及細胞狀態。它面向的,是基因研究中一個關鍵難題:人體大部分細胞擁有相同 DNA,但心肌、皮膚與免疫細胞會啟動不同基因;即使是同一項遺傳變異,影響也可能因細胞身分和當下狀態而異。
這種細化對研究人員尤其重要。大型人群研究可以找出與疾病相關的變異,但未必直接說明變異在哪一類細胞中發揮作用。AlphaGenome 2 嘗試把兩者連接起來,讓研究者由變異進一步追查可能受影響的細胞層面機制。不過,這並非可直接用於個人診斷或治療的工具;模型預測仍需由實驗和臨床研究驗證。
從全局預測,走向細胞情境
AlphaGenome 2 是去年推出的 AlphaGenome 後繼模型。DeepMind 指,新模型以超過 1 億個、來自 68 種組織的單細胞檔案訓練,藉此處理細胞類型與生物狀態的差異。
相較前代較廣泛的基因組預測,AlphaGenome 2 的重點在於較細粒度的判讀:它可預測某個基因變異會否改變特定細胞中的基因表達。按 DeepMind 的說法,模型找出的、可改變細胞基因表達的變異數量,接近其先前最佳模型的兩倍。這是公司性能聲稱,報道未提供獨立研究者的驗證結果。
模型亦被指可在毋須重新訓練下,推測未曾見過的細胞類型及生物狀態,並找出實驗數據的缺口。若此能力在更多研究中成立,實驗室可優先測試模型指出而現有數據不足的環節,減少在龐大候選變異中盲目篩選。
精細度帶來的取捨
對藥物研發而言,知道變異可能影響哪一種細胞,理論上有助把研究焦點放到相應蛋白質和細胞目標。這正是 AlphaGenome 2 最具吸引力的地方:它把「某變異與疾病有關」這種較粗略的訊號,轉化為可供後續生物學實驗檢驗的假設。
但更細的預測也有成本。DeepMind 的基因組學主管 Žiga Avsec 表示,AlphaGenome 2 的運算需求較高、產生預測較昂貴,因此暫時不會取代 AlphaGenome。公司今年 9 月發布、涵蓋人類基因組每一個可能 DNA 字母變化的 Atlas,便不適合由新模型以同樣方式生成。
換言之,兩個模型較可能分工:較廣泛、成本較低的系統用於大規模掃描;細胞層面的模型則用於縮小範圍後的深入研究。這是根據其運算取捨作出的分析,實際工作流程仍視不同研究項目而定。
距離臨床仍有一段路
AlphaGenome 2 現時向非商業研究開放 API,商業研究則只有有限的私人預覽。模型輸出本質上是預測,不能自行證明某變異造成疾病,也不能取代病人的基因檢測、醫生判斷或藥物安全與療效測試。
下一步值得觀察的是,研究社群能否以獨立實驗重現其預測優勢,以及模型對數據不足的細胞狀態是否仍有可靠表現。若能通過這些檢驗,它較有機會成為遺傳學與細胞實驗之間的研究輔助工具;在此之前,將它描述為直接帶來診斷或新療法仍然言之過早。
延伸閱讀
AI 輔助說明: 本文由 AI 協助整理。
參考來源
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。







