AlphaGenome 2：让 AI 读懂人类全基因组

外来客 • 2026-11-13 13:16:02

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：AlphaGenome 2: Teaching AI to read the entire human genome）

🧬 模型定位与技术演进

AlphaGenome 2 是一款旨在读取 DNA 序列片段并预测特定基因组位置在细胞内分子活动的深度学习模型。作为 Enformer 模型的迭代版本，其核心突破在于将分析序列长度从 20 万扩展至 100 万个碱基对，并将分辨率提升至单个碱基对级别。这一技术演进使得模型能够更精准地解析非编码 DNA 的功能，特别是模拟单碱基突变（如 A 变 T）对基因表达的具体影响。与前代模型主要关注组织层面的宏观表现不同，AlphaGenome 2 聚焦于单一细胞类型，旨在揭示单点突变如何驱动疾病发生，从而在分子机制层面提供更精细的解释。

📊 AVI 评分机制与数据基础

为了量化变异的潜在影响程度，该工具引入了 Alpha Genome Variant Impact Score (AVI)。这是一个介于 0 至 80 之间的综合指标，帮助研究人员从海量变异中筛选关键候选项。AVI 分数的计算逻辑整合了 AlphaGenome 预测的 10,000 个数值、AlphaMissense 评分及进化保守性数据。模型通过对比人类群体中高频（通常良性）与缺失（潜在致病）变异的分布进行训练，以优化其筛选能力。在数据来源方面，该模型基于公共参考基因组及 ENCODE 项目积累的多模态数据进行训练，涵盖基因表达、转录因子结合位点等信息，而非依赖针对个体全基因组测序的数据，这确保了其在广泛人群中的适用性。

🩺 临床验证与研究价值

AlphaGenome 2 在科研辅助领域展现了显著价值，特别是在罕见病诊断中。在 Broad Institute 的应用案例中，AVI 评分成功协助定位了一名患有罕见癫痫婴儿的致病突变。该变体被确认为影响 RNA 剪接的变异，并通过细胞系实验验证了其改变基因切割模式的机制。尽管具有临床潜力，AlphaGenome 2 目前定位为科研辅助工具而非直接临床诊断设备。其主要用途是优先排序和解释基因组关联研究（GWAS）中发现的复杂疾病风险位点。明确分子病因为开发反义寡核苷酸或基因编辑疗法提供了基础，并为家庭遗传风险评估提供依据，尽管从发现到药物研发仍有较长路径。

🔬 机制解析与验证细节

模型在突破传统 GWAS 局限方面表现突出。全基因组关联研究常因 DNA 成块遗传导致连锁不平衡，难以区分相关变异与因果变异，且主要聚焦于频率约 1% 以上的常见变异。AlphaGenome 2 利用人类细胞图谱数据实现细胞类型甚至特定状态（如炎症免疫细胞）的精细预测，覆盖全基因组约 90 亿个可能的单碱基变异。在验证方面，Crick Institute 团队实验证实了模型对远端调控的预测能力，即某变异可调控距离 29 万碱基对外的基因。然而，模型精度受 DNA 结构影响：位于开放、易被蛋白质结合的“可及区域”的变异预测准确度高，而高度压缩区域的预测能力较弱。此外，虽然训练数据偏向血液免疫细胞，但通过分层采样覆盖了多种组织，并支持用户接入自有数据进行定制化预测。

🚀 应用前景与现实边界

当前 AlphaGenome 2 属于“高精确度、低召回率”工具，当模型预测强效应时通常准确，但存在大量假阴性（漏检）。其长期愿景是构建能模拟基因型、药物扰动及细胞状态变化的“虚拟细胞”，以提升临床试验成功率，目前仅约 10% 的药物能通过临床阶段。在技术获取上，该工具提供公开 API 和 Python 包供开发者使用，并设有无代码网页平台供研究人员查询变异效应。这种开放策略促进了其在科研界的广泛应用，同时也明确了其作为基础科学工具的边界，即服务于机制解析与候选基因筛选，而非直接替代临床诊断流程。