谷歌DeepMind发布AlphaGenome 2:DNA变异效应首次精细到单个细胞类型,因果变异识别率接近翻倍

人体里几乎每个细胞都揣着同一份DNA蓝图,但心肌细胞和免疫细胞开关的基因截然不同。同一种基因变异,在不同细胞中可能造成完全不同的后果。11月11日,Google DeepMind发布新一代DNA序列模型AlphaGenome 2,把遗传变异的效应预测从"组织平均值"推进到单个细胞类型与细胞状态,试图回答一个长期悬而未决的问题:一段DNA变异,究竟会在哪种细胞里、通过什么方式影响疾病。

从"并行输出"到"条件化预测"

上一代AlphaGenome采用并行架构:输入一段约100万个字母的DNA序列,一次性输出数十种组织和实验的分子活动预测。这种方式效率高,却把模型容量摊薄到各个组织,难以捕捉相近细胞类型之间的细微差别。

AlphaGenome 2做了根本性改造。它变成一个"条件模型"——每次只针对一个生物条件(可以是组织、细胞类型或细胞状态)进行预测。这个条件与百万字母的DNA序列一起,在模型架构的每个阶段都作为输入参与计算,让模型学会同一段DNA在不同细胞中如何被差异化"读取"。

条件信息有两个来源:一是从参考目录中直接选择;二是通过新增的"细胞编码器"(cell encoder),由科学家自己的单细胞实验即时生成。这意味着研究者可以让模型预测自己样本中的细胞状态,而不必局限于预设的细胞图谱。

1.07亿单细胞、68种组织训练

DeepMind用一个覆盖人类和小鼠样本、横跨68种组织的数据集训练AlphaGenome 2,其中包含超过1.07亿个单细胞图谱,同时纳入了组织块数据与单细胞数据。这套规模空前的数据,把静态的细胞图谱变成了一台面向人类遗传学的"预测引擎"。

在输出层面,模型可预测基因表达、组蛋白修饰、染色质可及性四类分子读数,并新增了科研人员呼声很高的DNA甲基化预测。更关键的是,它具备"跨模态补全"能力:由于把细胞的生物状态与输出读数解耦,研究者只要输入一种测量(比如单细胞基因活性),模型就能推测出未测量的属性(比如染色质可及性),从而决定下一步该优先做哪些实验。

因果变异识别率从16%提升到30%

在包含28种原代免疫细胞类型的大规模单细胞数据集TenK10K上,AlphaGenome 2可靠识别出因果变异的比例达到30%,而对比模型只有16%;在识别基因效应的方向上,两者分别是43%与23%——两项核心指标都接近翻倍。DeepMind称,相较于此前最先进的模型,AlphaGenome 2识别出的"会改变细胞基因表达"的变异数量接近两倍。

除了量化指标,模型还能追踪连续变化过程,例如人类造血干细胞成熟为红细胞、免疫细胞谱系分化过程中基因表达如何演变,并且能解析同一组织内不同细胞类型之间的差异。

疾病机制:从肠炎到重症新冠

最能体现价值的是疾病场景。在炎症性肠病(IBD)案例中,已知一个远端调控开关上的变异会过度激活ETS2基因。AlphaGenome 2在多种肠道免疫细胞中重现了这一发现,准确锁定因果变异,并指出它选择性地在肠道巨噬细胞中增强ETS2,而对其他细胞类型影响很小——这正是Broad组织平均模型会遗漏的细节。

在另一个未见过的新冠mRNA疫苗单细胞数据中,模型区分了疫苗激活的T细胞与静息T细胞,发现一个与重症新冠相关的变异在激活状态下对基因活性的破坏更强,而这种效应在静息细胞里根本看不出来。模型还能把增强子与靶基因的关系扩展到脑星形胶质细胞等原代人细胞类型,并可对接全基因组关联研究(GWAS),帮助从身高、2型糖尿病等性状的关联信号中定位真正的因果变异与靶基因。

只用于研究,尚非临床工具

值得注意的是,面对一个全新的细胞状态,研究者只需上传几十个细胞的单细胞RNA测序快照,模型就能将其压缩为细胞状态表征并据此预测,无需重新训练。DeepMind表示,在这种设置下,AlphaGenome 2的表现可以追平甚至超过直接在对应数据上训练的模型。

目前,AlphaGenome 2已通过AlphaGenome API向非商业研究开放,商业研究则处于Google Cloud私有预览阶段。DeepMind同时强调,AlphaGenome系列仅供研究使用,尚未经过临床验证,也未获批用于临床或诊断目的。