11 月 11 日，谷歌 DeepMind 发了 AlphaGenome 2，一个读 DNA 序列的模型。
它要回答的问题很具体。同一段 DNA，在不同的人体细胞里被读出来的方式不一样，你能不能提前算出差别在哪儿。
初代的做法，和它的瓶颈
初代 AlphaGenome 一次读进百万字母长度的 DNA 序列，同时预测多类组织、数千项实验的相关属性。
这个设计效率高。缺点是算力被摊开了。报道的原话是这么说的：这种并行方式效率较高，但会分散模型的计算能力，难以捕捉近缘细胞类型之间的细微差异。
换个说法。它擅长告诉你「这块肝组织整体大概什么样」，不太擅长告诉你「这块肝组织里，甲类细胞和乙类细胞差在哪儿」。
【我的理解】读起来像个平均分问题。同时算十件事，每件分到的资源就少。不过这是我从报道那句话推出来的，官方没这么解释过。
二代改了什么
AlphaGenome 2 不再并行预测，改成条件式模型。单次只针对一种条件去预测 DNA 的效应，这个条件可以是组织、细胞类型或者细胞状态。
关键改动在这儿：除了那段百万字母长的序列，模型在架构的每个阶段都把「该算哪种条件」作为输入喂进去。
目标从输出的一部分，挪到了输入的一部分。模型不再自己猜哪里最可能，是你告诉它算哪个细胞，它专门算那个。
这个改法还带了个副作用，报道单独写了一节。模型会把细胞的生物状态和输出结果分开，所以只给它单类测量数据，比如单细胞基因活性，它能反推没测过的属性，比如染色质可及性。
科研人员可以拿这个来规划下一步实验做哪些。
30% 对 16%
在 TenK10K 这个覆盖 28 类原代免疫细胞的大型单细胞数据集上，两组数：
- 识别到的因果变异占比，AlphaGenome 2 是 30%，初代 16%
- 基因效应方向判断准确率，AlphaGenome 2 是 43%，初代 23%
算一下倍数。30 除以 16 是 1.875，43 除以 23 是 1.87。两个都在 1.87 上下，所以报道说「接近翻倍」，这个说法站得住。
这个换算是【我算的】。报道只给了「接近两倍」这个说法和上面四个百分比。
一个能对上号的具体例子
有一段被反复引用的研究：一段远端调控序列的变异，会过度激活肠道免疫巨噬细胞里的 ETS2 基因，诱发炎症性肠病。
AlphaGenome 2 在计算层面把这个结论复现了，定位到那个因果变异，而且算出来它只选择性地提升肠道巨噬细胞的 ETS2 活性，对其他细胞类型和基因几乎没影响。
这类结论以前要靠湿实验一点点试。现在能先算出来再去验证，省的是实验设计那一段。至于算得准不准最后还得靠实验说话，模型自己证明不了自己。
几个容易看串的数字
报道里细胞相关的数字给了好几组，我分开记一笔：
- 训练用的是 68 类组织的单细胞图谱，含人类和小鼠的组织块与单细胞数据，合计超过 1.07 亿个单细胞
- 预先算好的预测结果覆盖「数百种人类细胞与组织条件」。这个数和上面 68 不是一回事，一个是训练时的组织类别，一个是算过结果的条件数量
- 90 亿种单字母变异，是初代配套的 AlphaGenome Atlas 覆盖的范围，不是这一代的单一指标
能力上，初代支持的基因表达、组蛋白修饰、染色质可及性都保留着，这一代新增了 DNA 甲基化预测。
没重新训练也能用在新场景
这部分我觉得比那几个百分比有意思。
科研人员上传几十个细胞的单细胞 RNA 测序基因活性快照，模型把它压成一个细胞状态表征，当条件输入吃进去，就能处理从没见过的细胞状态。报道说性能可以媲美甚至超过直接在对应数据集上训练或微调的模型。
测试之一是新冠 mRNA 疫苗的单细胞数据。模型能分出疫苗激活的免疫 T 细胞和静息状态的 T 细胞，还算出跟新冠重症相关的变异，在细胞激活时对基因活性干扰更强。这个效应在没激活的细胞里完全看不到。
在同一段 DNA 上，激活和没激活能读出不同结果，这正是初代那种求平均的做法容易漏掉的东西。
【本人未实测】我没跑过这个模型，也没读过它的技术报告。上面所有内容来自 IT之家 11 月 11 日的报道。
报道没写的
条件式意味着推理时要按条件一个个算。具体一次要跑多少遍，算力开销比并行大多少，报道一个字没提。【暂无相关资料】
商业使用现在还在私密预览阶段，非商业研究可以通过 AlphaGenome API 用。报道提到不久后会在 Google Antigravity 平台上线 AlphaGenome 2 Skills，结合 Gemini 4 这类智能体工具，具体时间没给。
还有一条官方提示放在报道末尾，我觉得得单独拎出来说：AlphaGenome 和 AlphaGenome 2 仅用于研究用途，尚未经过临床或诊断用途的验证与审批。
这句为什么重要？因为前面通篇在讲疾病、变异、重症，很容易让人以为这东西能拿去辅助诊断。它不能。
我的判断
架构从并行换成条件式，换来的东西跟模型大小关系不大。变的是「算哪一群细胞」这件事，从模型自己猜变成你告诉它。代价是每换一种细胞类型，都得重算一遍。
这个取舍对不对，看你想要什么。想看整体轮廓，并行省事。想知道甲细胞和乙细胞差在哪儿，只能一个个来。
（这一段是【个人看法】。报道没有比过两种架构的开销，我也没那个条件去试。）
你更关心哪一头，先要个大概，还是慢一点看清某一种？
配图来自 Wikimedia Commons：DNA 双螺旋分子模型 © Ude，公有领域；荧光显微镜细胞图 © Korinna，CC BY 4.0；实验室机械臂 © Maggie Bartlett / National Human Genome Research Institute，公有领域。