AlphaGenome 2 發表：從組織平均到細胞狀態，DNA 預測如何幫研究？
AlphaGenome 2 把DNA預測推進細胞類型與狀態。解析一億多份細胞資料、30%致因變異召回、研究程式介面與商用預覽，分清預測與臨床診斷。
AlphaGenome 2 在 11 月 11 日發表，將 DNA 預測往細胞類型與狀態的差異推進。相同序列在不同細胞與狀態下，可能會被讀成不同的生物訊號。
這和把整塊組織的資料平均起來不同。平均值能呈現整體趨勢，卻可能掩蓋少數細胞發生的變化，讓研究者難以追查變異影響。
Google DeepMind 因此把細胞條件加入模型，結合超過一億份細胞資料，讓研究者詢問同一段 DNA 在不同條件下可能有什麼作用。
這仍是模型預測。官方報告的測試進步不等於個人疾病診斷準確率，也不能跳過實驗直接認定治療方式有效。
目前較明確的用途，是幫研究團隊縮小優先驗證的候選範圍。對希望用基因資訊理解個人健康的讀者，這次研究尚不能提供個人醫療結論。
要知道它能縮小什麼範圍，先得理解組織平均和細胞狀態為什麼會產生不同答案。以下依 2026 年 11 月 12 日查核的原始公告與程式呼叫文件說明。
AlphaGenome 2 為何需要知道是哪一種細胞
DNA 序列相同，不同細胞讀取與調控基因的方式仍可能不同。基因調控指細胞決定哪些基因在什麼時候被使用，以及活動程度如何改變。
Google DeepMind 原始公告把新模型的重點放在細胞條件。相比只看一段 DNA，它還要知道研究者正在詢問什麼細胞與狀態。
這個問題對疾病研究很重要，因為某個變異可能只影響一小群細胞。若把整塊組織的資料混在一起，變化就可能被其他細胞的訊號稀釋。
例如，免疫細胞在不同活動狀態下會有不同反應。研究者想理解變異作用時，除了序列位置，還需要知道它在什麼細胞裡、受到什麼條件影響。
組織平均資料並沒有失去用途，它仍能提供較廣的觀察。新方法是把較細的細胞資訊和原有資料結合，讓同一個問題能在不同層次比較。
這也讓 AlphaGenome 2 和先前的 AlphaGenome Atlas 有明確區別。Atlas 提供大量預先計算的變異效果，新模型則著重在不同細胞條件下預測，不能把兩則事件混成資料庫改名。
對研究工作而言，能指定條件的好處，是同一段序列可以放進不同問題中比較。模型若預測差異集中在特定細胞，團隊就有方向安排下一輪實驗。
把細胞條件放進問題後，模型還需要同時參考哪些生物訊號，才能讓這種比較不只停留在一個基因的開或關。
Your heart, brain, and immune system share the same DNA sequence. So how can a single-letter change affect disease in some cells, while sparing the rest?
— Google DeepMind (@GoogleDeepMind) November 11, 2026
AlphaGenome 2 is our new AI model that zooms in on specific cells to help scientists understand what drives disease. 🧵 pic.twitter.com/CkpKgsutf3
百萬字母序列與一億份細胞資料怎麼用
長序列提供周邊調控線索，細胞資料則幫助模型連結條件與分子活動。官方說模型處理約一百萬個 DNA 字母，讓研究範圍不只侷限在變異正好落下的那一點。
DNA 周邊區域可能影響某個基因如何被使用，因此研究者需要看更長的上下文。這裡的百萬字母是生物序列長度，和聊天模型的 Token 規格不能直接相比。
訓練資料結合人類與小鼠的組織及單細胞測量，包含一億零七百萬份細胞資料，涵蓋六十八種組織。這是一億多份細胞層次的紀錄，不是一億多位受試者。
資料量變大，能讓模型接觸更多細胞差異，卻不表示所有人、組織與疾病狀態都已被完整代表。研究者仍要核對自己的問題是否接近資料與評測範圍。
預測內容也不只基因表現。基因表現是細胞使用某個基因、產生相關分子訊號的程度，其他調控訊號則補充細胞如何安排這段序列的活動。
預測也包括 DNA 上的化學標記
新模型加入 DNA 甲基化等預測。甲基化是一種附在 DNA 上的化學標記，可能與基因使用方式有關，模型預測它並不等於已直接量測研究樣本的真實狀態。
官方也描述推估未量測訊號的能力。若某個細胞資料只量到部分活動，模型可提出其他訊號的預測，讓研究者比較可能的關係，再決定哪些值得補做測量。
因此，這能減少漫無方向地挑選候選的負擔，但推估與實測仍須分開保存。輸入變得更貼近問題後，下一步是看測試有沒有因此找到更多候選變異。
30% 召回率代表什麼進步
這個比例描述特定免疫細胞測試找回致因變異的表現，不能當成診斷個人的準確率。召回率是在一組已知相關目標裡，模型成功找回多少的比例。
公告以 TenK10K 資料集中的二十八種免疫細胞類型說明，AlphaGenome 2 找回致因變異的比例為 30%，對照方法是 16%。兩個數字比較的是這個測試設定下的辨認能力。
從 16% 提高到 30%，表示同樣問題中找回更多線索，值得作為研究工具的進步來看。它卻沒有回答一位帶有某個變異的人是否一定發病，也沒有涵蓋所有可能變異。
如果把這個比例寫成「疾病診斷準確率三成」，就改變了測試的問題。研究者找候選變異，和醫師綜合檢查、病史與其他資訊做診斷，使用的證據不同。
公告另描述預測變異對基因活動方向的改善，這也有自己的衡量方式。方向判對是研究機制的一部分，不能把不同指標相加，拼成一個整體醫療成功率。
所以，較實際的判讀是看新方法能否在固定研究資源下，優先指出更多值得驗證的候選。若模型排序有幫助，團隊可能較早找到應做哪一組細胞與實驗。
這仍是官方報告的評測結果，本站沒有重新執行模型或重現數據。後續採用時，研究團隊要看自己的資料分布、目標細胞與驗證方式，不能只用公開比例推算實驗收益。
即使找到更多候選，研究者仍要解釋候選如何與疾病機制相關。這讓官方列出的疾病案例，成為理解用途的下一步，而不是直接的治療結論。
疾病案例如何從預測回到實驗
官方案例用已知研究展示模型能否重建線索，角色是協助提出與排序假設。重建一項已知發現，能看模型是否抓到相應訊號，卻不等於已發現新的治療方式。
公告以發炎性腸道疾病相關研究及 ETS2 調控為例，觀察模型能否把變異、細胞與下游活動連起來。對讀者有意義的是，問題從單一序列分數變成可追查的機制關係。
如果預測指向某一類細胞，團隊就能問：應在哪個細胞條件下改動序列，觀察哪個基因訊號，並用什麼實驗排除其他解釋。這些仍需要生物研究的設計。
即使模型替研究者排序很多選項，實驗條件仍需要人員設計與檢查。樣本、測量方式與干擾因素都會影響結果，因此預測是起點，實驗才會提供新的觀察。
另一類用途是比較不同細胞狀態。官方以免疫反應相關條件說明，模型可以在指定狀態下提出預測，協助研究哪些訊號可能隨條件改變。
這種假設比較不能延伸成特定疫苗、療法或個人處置的效果建議。公告展示的是研究模型如何描述分子活動，並沒有完成臨床效益與安全性的驗證。
因此，對一般讀者較容易掌握的角色是研究路線的縮小。模型把龐大的候選空間整理成可檢查方向，研究者再用實驗判斷哪些線索成立，兩者提供的證據層級不同。
要延伸到未見過的細胞狀態，仍需要新的生物資料作為條件。這是新模型減少重新訓練負擔的地方，也最容易被誤讀成完全不需樣本。
新細胞狀態為何仍需要樣本
不必重新訓練模型能減少重做的負擔，卻不代表研究者不需蒐集任何資料。官方描述可用新狀態的單細胞 RNA 定序資料，讓模型理解問題中的條件。
單細胞 RNA 定序，是測量個別細胞裡哪些基因訊號正在活動的方法。這些資料提供新狀態的線索，和只給一段 DNA、要求模型憑空知道所有環境不同。
公告提到使用少量、數十個細胞的資料作為條件，便可研究未見狀態的預測。這是特定方法與展示範圍，不能解讀為任何疾病只需相同樣本數就有足夠證據。
條件化的意思，是把新資料當成模型回答問題時的背景。它不必每次重新調整整套參數，卻仍依賴輸入能否正確代表研究狀態。
如果樣本和實際問題差太遠，模型得到的條件也會偏離。研究者需要保留樣本來源、狀態定義與測量品質，才能解釋模型為什麼在不同條件下給出不同預測。
這種安排對資源有限的研究工作可能有吸引力，因為不必為每個新條件重建模型。真正節省多少時間與成本，則仍要在團隊自己的資料與工作中衡量。
能預測未量測的分子訊號，也可能幫助安排補測順序。較合理的使用方式是先選出最有資訊價值的候選，再補足證據，不能把模型補出的訊號直接記成已經實驗觀察。
研究用途釐清後，還要按目前開放方式判斷誰能取得模型。學術研究與商用預覽的入口不同，發布模型消息不等於權重全面公開下載。
研究 API、商用預覽與臨床界線
官方把非商業研究與商用預覽分開，研究能力也不等於臨床核准。AlphaGenome 文件提供程式化呼叫的方式，API 就是研究程式向服務提出預測請求的介面。
文件說非商業用途可免費使用 API，查詢速率隨需求而變動。即時模型預測和 Atlas 預先計算結果的查詢也有不同負擔，不能把查資料庫的速度當成每次新預測的速度。
公告將商業使用放在私人預覽階段，並沒有因此宣布所有企業都已取得相同資格。是否能採用，應以實際申請與服務條件為準，不把研究免費推成商用免費。
官方提到整合到 Antigravity 的相關技能即將推出，這屬於未來安排。現在整理工作流程時，應使用已可取得的文件與介面，不能把即將加入的入口寫成已全面上線。
這次公告沒有提供全面開放權重的承諾。能透過服務提出預測，和能下載模型自行運行不同，對資料處理與運算安排會形成不同條件。
最重要的用途界線是，模型面向研究，沒有被驗證或核准用於臨床診斷。它能協助排序研究假設，不能取代醫療專業對個別病人的評估。
若想了解先前的全基因組變異資料與生物研究方向，可以接著看以下兩篇，並把舊背景與本次細胞條件新能力分開。
延伸閱讀：Google DeepMind 啟動 AI 生物韌性計畫：AlphaGenome、AlphaEvolve 如何防範下一場疫情？
AlphaGenome 2 常見問題
這和 AlphaGenome Atlas 是同一件事嗎？
Atlas 提供大量預先計算的變異效果與查詢，新模型則強調細胞類型、狀態與新資料條件下的預測。兩者相關，但本次不是將舊資料庫換個名稱發布。
超過一億份細胞資料是一億多位受試者嗎？
不是。官方描述的是細胞層次資料，來自人類與小鼠等不同測量，不能直接當成人數，也不能代表所有人口與疾病狀態都已完整涵蓋。
能用模型判斷自己會不會生病嗎？
本次模型面向研究，沒有臨床診斷核准。個人健康判斷需要完整醫療資訊與專業評估，研究預測不能直接轉成個人診斷。
把預測變成可驗證的研究問題
AlphaGenome 2 的進步，在於讓相同 DNA 能在更具體的細胞條件下被詢問。研究團隊可以先定義目標細胞、狀態與候選變異，再把模型排序對到後續實驗，保留預測與實測的區別。
訂閱 AI 郵報，持續追蹤 AI 生物研究與官方開放進度。閱讀新數字時，先看它衡量的是候選召回、分子預測還是臨床結果，才能把技術進步放在正確的位置。
