Google DeepMind 於 2026 年 11 月 11 日發布 AlphaGenome 2，用於預測 DNA 變異對特定細胞類型的影響。對研究團隊而言，接下來值得釐清的是：如何運用這類更具體的預測來設計實驗，同時清楚區分計算結果與生物學證據？
先釐清要回答的生物學問題
有價值的分析不能只有一串變異位點，還需要說明這些變異可能在哪種生物學背景下發揮作用。例如，團隊可以比較某個候選變異在兩類相關細胞中的預測效應是否不同。這樣的比較能提出待驗證的假說，但不足以認定該變異導致了某種疾病。
因此，專案開始時應先確認目標基因或區域、候選變異，以及哪些細胞群之間的比較具有研究意義。與其立刻遍歷所有可用條件，不如預先寫清楚：什麼結果支持假說，什麼結果會削弱假說。問題明確的小規模分析，通常比範圍很大卻缺少判斷標準的篩查更有價值。
API 層面有哪些實際變化
AlphaGenome 2 每次針對一個生物學條件進行預測。研究者可以選擇參考條件，也能以自己的單細胞 RNA 定序資料提供條件資訊。因此，要比較多種條件，就需要在分析流程中明確規劃。
API 將參考與替代等位基因的訊號軌跡預測，以及變異效應評分，分為不同操作。兩者各有用途：評分協助安排候選變異的研究優先順序，檢視預測軌跡則有助於理解變化出現在哪裡、呈現什麼形式。
第一次評估，可以從小型研究開始
以下是建議的評估流程，並非本文已完成的實測。
- 選擇範圍明確的問題及數量可控的候選變異。納入已知案例與適當對照，不要只挑選預期會產生顯著結果的位點。
- 核對參考基因組、座標、等位基因及基因識別碼。記錄輸入檔案與軟體版本，讓其他研究者能重建分析過程。
- 在選定條件下執行小規模試驗。除了保留數值結果，也要保存解讀結果所需的背景資訊。
- 檢查不一致與陰性結果。高分代表值得進一步調查，但仍需要解釋；較弱的預測也應搭配所選條件及既有證據判讀。
- 結合預測與獨立證據，選擇後續實驗。在擴大分析規模前，先訂定實驗驗證的判斷標準。
保留實測背景與插補預測之間的差別
官方文件區分了具有訓練期觀測資料支持的軌跡，以及具支持依據和探索性的插補軌跡。篩選結果、繪圖或分享分析時，都應保留這項區別。
研究報告應將預測結果、適用背景與限制一起呈現。外觀相似的圖，不一定具有相同程度的實驗支持。此外，模型預測有分子變化、實驗確認這種變化，以及這種變化能解釋疾病機制，是三個不同層次。每一層都需要對應證據，不能直接從第一層跳到最後一層。
使用方式、額度，以及 11 月底的截止事項
依據發布公告，AlphaGenome 2 已透過 API 開放非商業研究使用；商業研究目前處於非公開預覽階段。它是研究用途工具，尚未經臨床或診斷用途的驗證或核准。
官方文件說明，非商業 API 使用免費，但請求速率會隨需求調整。即時模型預測較適合數千次、而非數百萬次預測規模的分析；查詢 Atlas 預先計算的結果則允許較高的請求速率。因此，免費開放不代表可以無限使用運算資源。
Google DeepMind 也正徵集社群使用案例，提交截止日期為 2026 年 11 月 30 日。入選專案可能獲得額外使用配額與抵用額度，但公告沒有列出具體數量，也未交代截止時區。有意提交的團隊應從公告進入申請表，確認最新條件，不要自行假定截止時間為所在地當天午夜。
接下來值得觀察什麼
對研究團隊而言，有用的早期成果，是一套可重現的分析能指向值得進行的後續實驗。擴大規模之前，可以先問三個問題：納入細胞類型資訊後，候選變異的研究優先順序是否真的改變？合理調整分析設定後，結果是否仍然成立？規劃中的驗證實驗能否區分不同解釋？
評估 AlphaGenome 2 的實際價值，可以從它是否協助團隊做出更好的研究決策開始。至於相關生物學機制是否成立，仍須透過實驗驗證。
資訊核對日期：2026 年 11 月 12 日。本文依公開文件進行解讀並提出評估建議，不包含獨立模型實測結果。