Google DeepMind 于 2026 年 11 月 11 日发布 AlphaGenome 2，用于预测 DNA 变异对特定细胞类型的影响。对研究团队而言，接下来值得回答的问题是：怎样利用这种更具体的预测来设计实验，同时把计算结果与生物学证据区分清楚？
先确定要回答的生物学问题
一项有价值的分析，不能只有一串变异位点，还需要明确这些变异可能在哪种生物学背景下发挥作用。例如，团队可以比较某个候选变异在两类相关细胞中的预测效应是否不同。这样的比较能够提出待验证的假设，但不能据此认定该变异导致了某种疾病。
因此，项目开始时应先确定目标基因或区域、候选变异，以及哪些细胞群之间的比较真正有意义。与其立即遍历所有可用条件，不如提前写清楚：什么结果支持假设，什么结果会削弱假设。问题明确的小规模分析，通常比范围很大却缺少判断标准的筛查更有价值。
API 层面有哪些实际变化
AlphaGenome 2 每次针对一个生物学条件进行预测。研究者可以选择参考条件，也可以用自己的单细胞 RNA 测序数据为预测提供条件信息。因此，多种条件之间的比较需要在分析流程中明确安排。
API 将参考等位基因与替代等位基因的信号轨迹预测，以及变异效应评分，划分为不同操作。它们回答的问题有所不同：评分有助于安排候选变异的研究优先级，查看预测轨迹则有助于理解变化发生在什么位置、表现为什么形式。
第一次评估，可以从一个小项目开始
以下是建议的评估流程，并非本文已经完成的实测。
- 选择范围明确的问题和数量可控的候选变异。加入已知案例与适当对照，不要只挑选预计会产生显著结果的位点。
- 核对参考基因组、坐标、等位基因和基因标识。记录输入文件与软件版本，让其他研究者能够重建分析过程。
- 在选定条件下运行小规模试验。除了保存数值结果，也保留解释这些结果所需的上下文信息。
- 检查不一致与阴性结果。高分意味着值得进一步调查，但仍需要解释；较弱的预测同样要结合所选条件及现有证据判断。
- 将预测与独立证据共同用于选择后续实验。在扩大分析范围前，先约定实验验证的判断标准。
不要混淆实测背景与插补预测
官方文档区分了具有训练期观测数据支持的轨迹，以及有支持依据和探索性的插补轨迹。筛选结果、绘图或分享分析时，都应保留这种区别。
研究报告应把预测结果、适用背景和限制放在一起呈现。外观相似的图，不一定具有相同程度的实验支持。还应分清三个层次：模型预测存在分子变化，实验确认了这种变化，以及这种变化能够解释疾病机制。每一层都需要相应证据，不能直接从第一层跳到最后一层。
如何使用、额度怎么看，11 月底有什么截止事项
根据发布公告，AlphaGenome 2 已通过 API 向非商业研究开放；商业研究处于私有预览阶段。它面向研究用途，尚未经过临床或诊断用途的验证或批准。
官方文档说明，非商业 API 使用免费，但请求速率会随需求变化。实时模型预测更适合数千次而非数百万次预测规模的分析；查询 Atlas 预计算结果允许更高的请求速率。因此，免费开放不应被理解为无限计算额度。
Google DeepMind 同时征集社区使用案例，提交截止日期为 2026 年 11 月 30 日。入选项目可能获得额外使用额度及抵用额度，但公告没有说明具体数量，也没有给出截止时区。有意提交的团队应从公告进入申请表，核对最新条件，不要自行假定截止时间是所在地当天午夜。
接下来应该观察什么
对研究团队来说，一个有用的早期成果，是可复现的分析能够指向值得开展的后续实验。扩大规模前，可以先问三个问题：加入细胞类型信息后，候选变异的研究顺序是否真的发生了变化？在合理调整分析设置后，结果是否仍然成立？计划中的验证实验能否区分不同解释？
评价 AlphaGenome 2 的实际价值，可以从它是否帮助团队作出更好的研究决策开始。至于相关生物学机制是否成立，仍需要实验验证。
信息核对日期：2026 年 11 月 12 日。本文依据公开文档进行解读并提出评估建议，不包含独立模型实测结果。