Google DeepMind 发布 AlphaGenome 2。这是一款升级版 DNA 序列模型，可预测遗传变异如何影响不同人类细胞类型，帮助研究人员探究疾病背后的遗传机制。
该模型基于原版 AlphaGenome 构建。原版模型在广泛组织范围内映射分子活动，覆盖基因组编码区与非编码区，为评估遗传变异的潜在影响提供了统一方法。
今年早些时候，该公司还推出了 AlphaGenome Atlas，这是一项独立的预测资源，用于映射人类基因组中所有可能的单碱基 DNA 变化所产生的影响。
从组织到细胞
Google DeepMind 表示，AlphaGenome 2 不再局限于组织层面的平均值，而是分析单个细胞类型与细胞状态。研究人员因此可以考察遗传变异如何影响疾病相关细胞，以及这些影响在不同细胞条件下可能有何差异。
该模型在来自人类和小鼠样本、覆盖 68 种组织的超过 1.07 亿个单细胞图谱上完成训练。前代模型并行生成多个组织的预测，新模型则将特定生物学条件与 DNA 序列一同作为输入。
研究人员可以从参考目录中选择细胞类型，也可以使用自有单细胞数据考察此前未见的细胞状态。模型还能根据其他可用数据估计缺失的实验测量值，例如染色质可及性。
因果变异识别率接近翻倍
在覆盖 28 种原代免疫细胞类型的单细胞数据集 TenK10K 上进行的基准测试中，AlphaGenome 2 识别出 30% 的因果变异；原版模型在单细胞数据上微调后以及其他专用工具识别出 16%。
模型判断变异对基因活动影响方向的能力也有提升。在 43% 的案例中，它正确识别出变异提高还是降低基因表达；早期模型与对比工具为 23%。
这一结果表明，升级后的系统可帮助研究人员缩小范围，确定哪些遗传变化最可能影响特定细胞类型中的疾病相关过程。
测试疾病相关变异
Google DeepMind 还展示了该模型在此前未遇到的细胞条件下考察遗传效应的能力。
在一个示例中，研究人员使用一项针对接种 COVID-19 mRNA 疫苗人群的研究所产出的单细胞数据。AlphaGenome 2 区分了活化免疫 T 细胞与静息 T 细胞，并发现与重症 COVID-19 相关的变异在活化细胞中对基因活动的影响更强。
该公司还用该模型计算复现了一项与炎症性肠病（IBD）相关的发现。该变异位于 DNA 远端调控区，被证明可增强肠道巨噬细胞中 ETS2 基因的活性。模型预测，这一效应集中于该类细胞，而非广泛发生于其他细胞类型。
这些示例说明，细胞类型特异性预测可帮助研究人员将遗传变异与疾病涉及的细胞和生物学过程联系起来。不过，计算预测仍需实验验证。
AlphaGenome 2 通过 AlphaGenome API 面向非商业研究开放，商业研究人员可通过私有预览访问。Google DeepMind 表示，该模型仅用于研究，尚未针对临床或诊断用途完成验证或获得批准。
