我先核实这篇报道对应的论文、模型名称和 “1 亿细胞” 的具体口径，重点确认 “识别能力近乎翻倍” 是比较什么指标、在什么测试集上得出的，再按模板成文。
核心事实已核实：模型是 AlphaGenome 2，训练用了 1.07 亿个单细胞图谱，TenK10K 测试集上因果变异识别率 30% 对 16%，方向判断 43% 对 23%。我再补一下论文状态、专家评价和局限，避免把 “研究工具” 写成 “临床突破”。
联网核实完成：这篇报道对应 Google DeepMind 2026 年 11 月 11 日发布的 AlphaGenome 2，不是病毒变异监测模型。核心数字是 TenK10K 免疫细胞测试集上因果变异识别 30% 对 16%、方向判断 43% 对 23%；“重症新冠” 部分是一个人类遗传变异在激活 T 细胞里影响更强，属于研究线索，不是临床结论。以下按你的模板成文。
标题：AlphaGenome 2 解码重症新冠相关变异：1.07 亿细胞训练，因果变异识别 30% 对 16%
先把答案给出来：谷歌 DeepMind 在 2026 年 11 月 11 日发布的 AlphaGenome 2，重点并不在于又推出一个大模型，而在于它把 DNA 变异放回具体细胞类型和细胞状态中去观察。它一次读取 100 万个碱基的 DNA 序列，同时指定一个组织、细胞类型或细胞状态，预测变异对基因表达、染色质可及性、组蛋白修饰和 DNA 甲基化的影响；训练用了 1.07 亿个单细胞图谱、覆盖 68 种组织。在 28 种原代免疫细胞的 TenK10K 测试集上，它识别出的因果变异比例是 30%，上一代微调后是 16%；判断变异让基因变强还是变弱，43% 对 23%，两项都接近翻倍。重症新冠部分，它展示的是一个与重症风险相关的人类遗传变异，在疫苗激活的 T 细胞里干扰更强、在静息细胞里容易漏掉 —— 这是机制线索，不是诊断工具。
一、为什么 “按细胞看” 比 “按组织看” 重要
人体几乎所有细胞都携带同一套 DNA，但心脏起搏细胞、肠道巨噬细胞、静息 T 细胞读取 DNA 的方式完全不同。把一块组织磨碎、混在一起测，得到的是平均信号；只在少数细胞里起作用的变异，很容易被平均值盖住。
| 观察方式 | 得到什么 | 会漏什么 |
|---|---|---|
| 组织整体平均 | 一个器官的平均基因活动 | 稀有细胞类型、激活 / 静息状态差异 |
| 单细胞分辨率 | 特定细胞里的调控变化 | 需要高质量单细胞数据和算力 |
| 只做统计关联 | 变异与疾病的关联 | 哪个变异是因果、作用于哪种细胞 |
| 条件模型 + 实验验证 | 候选变异、基因、细胞类型排序 | 仍需湿实验确认机制 |
这也解释了为什么基因组研究里大量 GWAS 信号落在非编码区：人类基因组约 98% 不直接编码蛋白，却掌管基因开关；药物又往往瞄准特定蛋白和特定细胞类型，所以 “在哪种细胞里起作用” 不是细节，而是前提。
二、AlphaGenome 2 到底怎么工作
| 维度 | 具体做法 |
|---|---|
| 输入 | 最多 100 万个碱基的 DNA 序列＋一个生物条件（组织 / 细胞类型 / 细胞状态） |
| 架构 | 条件模型：条件在架构各阶段注入，一次只预测一个条件 |
| 训练数据 | 人 / 鼠的 bulk 与单细胞数据，超过 1.07 亿个单细胞图谱，覆盖 68 种组织 |
| 输出 | 基因表达、染色质可及性、组蛋白修饰、DNA 甲基化等调控读出 |
| 新能力 | 输入少量自身 scRNA-seq 数据，压缩成细胞状态表征，不重新训练也能预测新状态 |
| 跨模态补全 | 只测一种模态，也能推断未测的染色质可及性等属性 |
| 访问方式 | 非商业研究可通过 AlphaGenome API 使用；商业研究为私有预览 |
| 临床状态 | 仅供研究，未验证、未批准用于临床或诊断 |
上一代模型是 “一次并行预测很多实验”，算力分散，难以捕捉相近细胞类型之间的细微差别。二代改成 “一次只看一个条件”，把预测从组织平均值细化到单个细胞类型，代价是每个条件都要单独算一次 —— 扫 300 种细胞，就是 300 次预测。
三、关键数字怎么读：30% 不是 “准确率”
| 测试项 | AlphaGenome 2 | 上一代 / 对照 | 怎么理解 |
|---|---|---|---|
| TenK10K 因果变异识别 | 30% | 16% | 约 1.9 倍，但仍有约 70% 没找回 |
| 基因表达方向判断 | 43% | 23% | 变强还是变弱，接近翻倍 |
| 改变基因表达的变异数量 | 接近 2 倍 | 1 倍 | 相对提升，不是绝对准确率 |
| 炎症性肠病 ETS2 案例 | 复现已知机制 | 2024 年 Nature 实验发现 | 回顾性验证，不是新发现 |
| 重症新冠相关变异 | 激活 T 细胞中影响更强 | 静息细胞中易漏 | 机制线索，非临床结论 |
30% 是 “在高精度门槛下找回的因果变异比例”，不是 “模型判断 100 个变异，30 个对”。它意味着模型能帮你把候选名单缩短，但仍会漏掉大多数；剩下 70% 不是 “没影响”，而是 “这次没被高置信地挑出来”。TEN Brief 和 FreakyJolly 都提醒：这是 DeepMind 自报的单一免疫细胞数据集结果，尚无独立复现。
四、重症新冠这块，模型到底看到了什么
| 问题 | 模型给出的线索 | 还不能说明什么 |
|---|---|---|
| 哪个变异？ | 一个与重症新冠风险相关的人类遗传变异 | 不是新冠病毒自身的突变 |
| 在哪种细胞？ | 疫苗激活状态下的免疫 T 细胞 | 不是所有 T 细胞、也不是所有免疫细胞 |
| 影响多大？ | 激活状态下对基因活动的干扰更强 | 不是 “致病机制已完全确定” |
| 为什么静息细胞会漏？ | 细胞状态改变了 DNA 的读取方式 | 需要实验验证染色质、调控元件变化 |
| 有什么用？ | 提示研究重症新冠时要看疾病相关细胞状态 | 不能用于个人风险评估或诊断 |
这个案例来自一项新冠 mRNA 疫苗研究的单细胞数据：模型此前没见过这批数据，仍能区分疫苗激活的 T 细胞和静息 T 细胞，并发现上述变异在激活状态下影响更强。换句话说，它给出的不是 “重症新冠的基因开关找到了”，而是 “研究重症新冠时，别只看静息细胞，否则会漏掉只在激活状态出现的调控效应”。
炎症性肠病案例更能说明 “复现” 与 “发现” 的区别：2024 年 Nature 研究用实验证实，一个远距离调控变异过度激活肠道巨噬细胞里的 ETS2，引发炎症性肠病；AlphaGenome 2 在计算层面挑出了同一个变异，并预测它主要作用于肠道巨噬细胞。Nature 报道中，原研究负责人说团队花了约一年半做实验，模型约 30 分钟给出相符结果 —— 但两者做的工作并不完全相同，模型是回顾性分析，不是替代实验。
五、研究者怎么用：五步，不替代实验
| 步骤 | 做什么 | 产出 | 注意 |
|---|---|---|---|
| 1. 定问题 | 选一个变异、一个基因、一个细胞类型 / 状态 | 明确的假设 | 别一上来全基因组扫 |
| 2. 备输入 | 1Mb DNA 序列＋细胞条件；可用自身 scRNA-seq | 条件表征 | 细胞质量差，预测也会差 |
| 3. 打分 | 对比参考序列与变异序列的预测差 | 变异影响分数 | 一次一个条件，注意算力 |
| 4. 排序 | 结合 GWAS、fine-mapping、eQTL 交叉筛选 | 候选变异 / 基因短名单 | 高分不等于因果 |
| 5. 验证 | CRISPR、报告基因、类器官等湿实验 | 机制证据 | 模型是 “导航”，不是 “判决” |
六、能力与边界，放在一张表里
| 能做 | 不能做 / 弱项 |
|---|---|
| 预测变异在特定细胞类型中的调控影响 | 不能诊断疾病，不能解读个人基因组 |
| 对候选变异做优先级排序 | 高精度下只找回少数因果变异 |
| 用几十个细胞适配未见过的细胞状态 | 细胞状态表征来自观察数据，因果性不确定 |
| 跨模态补全缺失的实验读数 | 对紧密打包的染色质、极远调控元件可能低估 |
| 复现已知疾病机制、提出新假设 | 转录后机制、复杂环境交互覆盖有限 |
| 帮药物研发选细胞类型和靶点 | 每个条件单独计算，全基因组扫描成本高 |
还有三个现实限制：论文是预印本，尚无独立基准；模型只通过 API 开放，没有放出权重，敏感数据能不能上传要过伦理审批；测试集主要来自欧洲 ancestry 的约 1925 名澳大利亚人，跨人群泛化未知。
七、谁适合现在试，谁先别急
| 对象 | 建议 |
|---|---|
| 基因组学 / 免疫学实验室 | 适合做候选变异排序、细胞类型定位 |
| 药物靶点发现团队 | 适合用细胞分辨率筛靶点，但需实验跟进 |
| 罕见病研究 | 适合小样本细胞状态适配，注意数据代表性 |
| 临床诊断 / 体检机构 | 不适合，未验证、未批准 |
| 个人基因组解读 | 不适合，官方明确非临床用途 |
| 需要全基因组逐位点扫描 | 先用 AlphaGenome 1/Atlas，二代单条件成本更高 |
八、五个坑，别把 “预测” 当 “发现”
- 把 30% 当准确率。 它是高精度门槛下的召回比例，仍有七成没找回。
- 把重症新冠线索当诊断。 模型看的是人类遗传变异在免疫细胞状态里的调控效应，不是病人检测。
- 只跑模型不做实验。 计算能缩短候选名单，不能替代 CRISPR、类器官和人群验证。
- 忽略细胞状态。 静息细胞里看不到的效应，激活状态可能很强；选错状态等于选错实验。
- 忽略算力成本。 一个条件一次预测，扫几百种细胞就是几百次调用；全基因组 Atlas 仍得靠一代。
落到一句话：AlphaGenome 2 的价值，不是 “AI 替代实验”，而是把 “哪个变异、哪个基因、哪种细胞” 这三个问题一次性摆到研究者面前。 它让重症新冠这类复杂疾病的研究少走弯路，但最后那一步，仍然要回实验室。
【常见问题】
问题 1：AlphaGenome 2 的 “识别能力近乎翻倍” 具体指什么？
回答 1：指 AlphaGenome 2 在 TenK10K 免疫细胞测试集上，因果变异识别率从 16% 提升到 30%，基因表达方向判断从 23% 提升到 43%，两项都接近翻倍；但这是识别率，不是整体准确率，仍有约七成变异没被高置信找回。
问题 2：AlphaGenome 2 为什么能解码重症新冠相关变异？
回答 2：AlphaGenome 2 把 DNA 变异放到具体细胞状态里看。它用新冠 mRNA 疫苗研究的单细胞数据，区分激活与静息 T 细胞，发现一个与重症新冠风险相关的变异在激活状态下对基因活动干扰更强；这是机制线索，不是病毒变异监测，也不是临床诊断。
问题 3：AlphaGenome 2 用了多少细胞数据训练？
回答 3：AlphaGenome 2 训练用了超过 1.07 亿个单细胞图谱，覆盖 68 种组织，来自人类和小鼠的 bulk 与单细胞数据；正是这些数据让它能从组织平均预测细化到单个细胞类型和细胞状态。
问题 4：AlphaGenome 2 能直接用于临床诊断吗？
回答 4：不能。DeepMind 明确说 AlphaGenome 2 仅供研究使用，未经过临床或诊断用途的验证和批准；它预测的是分子调控效应，不是病人诊断结果，个人基因组解读也不适用。
问题 5：AlphaGenome 2 和 AlphaGenome 1 怎么选？
回答 5：要细胞类型 / 状态分辨率和候选变异排序，选 AlphaGenome 2；要全基因组逐位点扫描或低成本大批量查询，继续用 AlphaGenome 1 和 Atlas。二代每个条件单独计算，成本更高，两者是互补关系。
【参考资料】
[2026-11-13]（诺奖得主 Hassabis 再交神作，AlphaGenome 2 破译人类 98% 基因「暗物质」）36 氪
[2026-11-13]（DeepMind 发布新一代 DNA 模型：基因变异会影响哪种细胞？AI 正在给出答案）ZAKER 新闻
[2026-11-12]（AlphaGenome 2: Deciphering how cells read DNA to better understand disease）Google DeepMind
[2026-11-12]（What is AlphaGenome 2 — DeepMind's DNA model now reads variants cell by cell, 30% recall versus 16%）TEN Brief
[2026-11-12]（AlphaGenome 2 distinguishes genetic-variant effects by cell type — but does not replace laboratory validation）Market & Tech
[2026-11-12]（DeepMind 发布新一代 DNA 模型：基因变异会影响哪种细胞？AI 正在给出答案）新浪财经
[2026-11-12]（AlphaGenome 2: 100M+ Cell Profiles, 68 Tissues [2026]）SHAttered
[2026-11-12]（AlphaGenome 2 Guide: What's New, Benchmarks and Free API Setup）FreakyJolly
[2026-11-12]（AlphaGenome 2 afina el estudio del ADN y las enfermedades sin dar aún el salto clínico）ZonaDock
[2026-11-11]（Google DeepMind's AlphaGenome 2 Predicts Cell-State Variant Effects）Unite.AI
[2025-06-25]（AlphaGenome: AI for better understanding the genome）Google DeepMind
[2025]（AlphaGenome: a Swiss-army knife for exploring non-coding DNA）PMC
【免责声明】
本文依据 Google DeepMind 官方发布、技术报告及公开媒体报道整理，仅用于科研动态解读，不构成医疗建议、诊断依据或投资建议。文中 30%/16%、43%/23% 等数字为 DeepMind 自报结果，测试集为 TenK10K 免疫细胞数据，尚未经独立复现；论文为预印本，模型仅通过 API 开放，未发布权重。AlphaGenome 2 仅供研究使用，未验证或批准用于临床、诊断或个人基因组解读。重症新冠相关变异的作用机制仍需湿实验验证，读者不应据此做任何健康决策。