[控场AI]
· 4 分钟阅读· 2,251 字

AlphaGenome 2:Google AI深入细胞层面解码疾病根源

AlphaGenome 2:Google AI深入细胞层面解码疾病根源

DeepMind发布AlphaGenome 2,预测DNA变异在不同细胞类型中的调控效应。

Google DeepMind推出新一代AI模型AlphaGenome 2,聚焦DNA变异如何在不同的细胞类型中产生差异化影响。文章指出,绝大多数疾病相关变异位于非编码调控区域,同一变异在肝细胞与神经元中的后果可能完全不同,这正是模型试图解析的核心问题。AlphaGenome 2延续了从基因组序列直接预测分子表型的思路,但将关注点下沉到细胞类型差异层面,有望帮助研究者优先锁定有生物学意义的疾病靶点。原文未披露性能指标、覆盖细胞类型数量或基准测试结果,其实际价值仍取决于泛化能力、长距离调控建模质量以及湿实验验证率。

Google DeepMind 发布了新一代 AI 模型 AlphaGenome 2,目标直指一个长期困扰遗传学的难题:DNA 序列中的变异如何在不同细胞类型中产生截然不同的影响。这不仅是技术上的迭代,更可能改变科学家寻找疾病成因和药物靶点的方式。

AlphaGenome 2 相关报道

从序列到细胞:问题的关键在哪里

人类基因组中绝大多数与疾病相关的变异并不直接改变蛋白质编码,而是落在调控区域——这些片段决定基因在什么细胞、什么时间、以什么强度被表达。同一个变异,在肝细胞中可能无关紧要,在神经元中却可能触发连锁反应。

据 Google DeepMind 介绍,AlphaGenome 2 的核心能力在于预测 DNA 序列变化对不同细胞类型的影响,从而让研究者获得更细致的视角来理解疾病的细胞根源。这一方向的重要性在于:大量复杂疾病(如神经退行性疾病、代谢疾病)的遗传信号恰恰集中在这些非编码调控区域,传统方法难以系统解析。

非编码调控区域指的是基因组中不直接编码蛋白质、但负责调控基因表达的DNA片段,主要包括启动子、增强子、沉默子以及绝缘子等元件。人类基因组中约98%的序列属于非编码区域,其中相当一部分具有调控功能。增强子可以在距离目标基因数十万碱基对之外的位置发挥作用,并通过染色质三维折叠与启动子发生空间接触。GWAS(全基因组关联分析)发现的疾病相关变异中,超过90%位于这些非编码区域,且往往富集在特定细胞类型的开放染色质和组蛋白修饰标记上,这解释了为何同一变异在不同组织中的效应可能截然不同。

调控基因组学是研究基因表达如何被基因组序列所编码和调控的学科分支,其核心任务包括识别调控元件、刻画其细胞类型特异性以及预测变异对调控活性的影响。近年来该领域的发展高度依赖两类资源:一是ENCODE、Roadmap Epigenomics等大规模表观基因组图谱计划提供的多组织、多细胞类型注释数据;二是基于深度学习的序列到功能预测模型,如DeepSEA、Basenji、Enformer等。这些模型以DNA序列为输入,直接预测ChIP-seq、ATAC-seq、RNA-seq等实验readout,从而在无需湿实验的情况下评估变异的调控后果,AlphaGenome系列正是沿着这一范式推进的工作。

AlphaGenome 2 的定位:继承与推进

AlphaGenome 2 是前代模型的继任者。原始报道将其描述为 AlphaGenome 系列的升级版本,强调其在解析 DNA 变异与细胞功能关系上的细化能力。

从已有信息看,模型的设计逻辑延续了“从基因组序列直接预测分子表型”的思路,但把关注点进一步下沉到细胞类型的差异层面。这意味着研究者可以针对特定细胞环境提出更精确的问题,而不是停留在单一、笼统的基因组注释上。这对于需要跨细胞类型比较的实验设计尤其有价值——例如判断一个候选变异是否只在特定组织中具有功能。

对疾病研究的潜在意义

DeepMind 方面表示,这一工具有望为疾病成因提供重要线索,并指向新的治疗路径。逻辑链条并不复杂:如果能更准确地判断变异在特定细胞中的调控后果,就能优先锁定真正有生物学意义的靶点,减少后期验证的盲目性。

提一嘴,原始素材并未披露该模型的具体性能指标、覆盖的细胞类型数量或基准测试结果。因此目前对其实际能力的判断仍应保持谨慎——模型的价值最终取决于它在真实研究场景中的可复现性和预测精度,而这些需要独立的实验验证来支撑。

湿实验验证(wet-lab validation)指在实验室中利用细胞培养、类器官、动物模型等生物体系对计算预测进行实证检验的实验工作,与干实验(dry-lab)计算分析相对。在调控变异研究中,常用的验证手段包括报告基因实验(如MPRA,大规模平行报告基因测定)、CRISPR干扰或碱基编辑后检测靶基因表达变化、以及ATAC-seq和ChIP-seq确认染色质状态改变。模型预测的变异效应只有经过这类实验验证,才能确认其生物学真实性。不同模型的预测结果在湿实验中的命中率差异很大,这也是评估序列到功能模型实用价值的核心指标之一。

仍需观察的问题

AlphaGenome 2 所处的赛道竞争激烈,多个团队都在推进基于序列的调控基因组学预测模型。其差异化优势能否成立,取决于三点:对罕见细胞类型的泛化能力、对长距离调控相互作用的建模质量,以及在湿实验中得到的验证率。

此外,从工具到实际药物发现的转化路径依然漫长。AI 预测可以缩小候选范围,但细胞层面的因果验证仍依赖实验科学。AlphaGenome 2 更现实的定位,是成为研究人员在假设生成阶段的高效辅助工具,而非替代实验的终点。

长距离调控相互作用指增强子等调控元件与靶基因启动子之间跨越数十至数百kb基因组距离的调控关系,其建立往往依赖染色质环化(chromatin looping)和CTCF/黏连蛋白介导的三维基因组结构。准确建模这类相互作用是当前序列到功能预测模型的主要难点之一:一维序列模型中感受野有限,难以直接捕捉远端元件;而Hi-C、Micro-C等三维构象数据在多数细胞类型中覆盖不足,限制了监督信号的规模。能否在未见过的细胞类型中泛化地推断长距离调控连接,是区分不同模型能力的关键维度。

#AlphaGenome 2#Google DeepMind#DNA变异#细胞类型#疾病成因#基因组学AI#调控基因组
分享:

相关推荐