AlphaGenome 发布：DeepMind 的 1Mb 上下文基因调控 AI

2026年1月28日，Google DeepMind 发布了 AlphaGenome，这是一个旨在预测 DNA 序列如何控制基因表达的新型 AI 系统。与我们最近看到的纯 DNA 语言模型不同，该工具专门专注于将序列映射到功能。它带来了一个重大的技术亮点：100万个碱基对（1Mb）的上下文窗口，使其能够以以往工具难以达到的范围和分辨率来分析基因组。

对于研究人员和生物信息学专家来说，AlphaGenome 的到来改变了基因组深度学习模型的格局。它超越了预测下一个核苷酸的范畴，转而预测真实的生物学读数，如 RNA-seq 和 ATAC-seq。这种区别至关重要，因为它解决了实验室在试图解释“暗基因组”（即我们 DNA 中 98% 不编码蛋白质但起调节作用的部分）时的实际需求。

社区定论：AlphaGenome 对比 Evo 2

在深入探讨 Nature 论文中描述的架构之前，有必要看看生物信息学社区对这一发布的真实反应。在 Reddit 等平台上，引起关注的主要对比是在 AlphaGenome 与 Arc Institute 开发的 Evo 2 之间展开的。

早期用户讨论达成的共识是，虽然这两个模型都摄取 DNA 数据，但它们解决的是根本不同的问题。Evo 2 作为一个 DNA 语言模型（DNALM）运行，旨在预测序列中的下一个 token。而 AlphaGenome 是一个序列到功能的模型，它接收序列并预测实验输出。

来自计算生物学界的下游用户体验报告强调了对现有 DNALMs 的特定不满。几位用户指出，Evo 2 虽然在理论上令人印象深刻，但在实际工作流程中可能“非常难用”。独立实验室已证明很难复现 Evo 2 论文中的结果，且其在标准基因组预测任务上的表现并未能稳定达到 SOTA 水平。

AlphaGenome 被认为与其说是理论上的突破，不如说是一项巨大的工程成就。DeepMind 有效地解决了“宏观 vs 微观”的问题。此前，模型必须在宽上下文（数百万个碱基）或高分辨率（单个碱基）之间做出选择。AlphaGenome 同时兼顾了两者。它集成了在之前 DeepMind 项目中看到的稳健工程框架，为即时研究应用提供了一个更稳定、尽管开放性较低的工具。

分析 AlphaGenome 中的 1Mb 上下文窗口

的技术核心在于 AlphaGenome 处理具有单碱基分辨率的 1Mb 上下文窗口的能力。这比 Borzoi 等模型有了实质性的飞跃，后者的操作上下文约为 500,000 个碱基。

这种扩展的窗口不仅仅是一个虚荣指标。基因调节是一个远距离的过程。增强子（增加转录可能性的短 DNA 区域）可能位于其调节的基因数十万个碱基对之外。如果模型的窗口太窄，它根本无法“看到”远程突变与基因功能障碍之间的联系。

通过将上下文窗口翻倍，AlphaGenome 捕捉到了这些长程相互作用。根据发布的数据，该模型可以同时预测：

• 5,930 个模型人类遗传信号。

• 1,128 个小鼠遗传信号。

• 结果包括基因表达、剪接、染色质图谱和染色体接触图。

在针对 26 个标准任务的基准测试中，AlphaGenome 在 25 个类别中达到或超过了当前最先进模型的水平。这表明该架构捕捉到了真实的生物信号，而不仅仅是对训练数据的过拟合。

用于非编码 DNA 分析的 AlphaGenome

AlphaGenome 的主要用途在于AlphaGenome解码 DNA 的非编码区。由于人类基因组中只有约 2% 编码蛋白质，绝大多数与疾病相关的变异都位于非编码区。这些区域充当细胞的操作系统，决定基因在何时何地被开启。

理解这一“暗基因组”一直是临床遗传学的障碍。编码区的突变通常很容易解释（例如，它破坏了蛋白质）。而非编码区的突变则是隐秘的。它可能毫无作用，也可能禁用关键的调节开关。

AlphaGenome 提供了一种预测这些单变异效应的方法。通过向模型输入参考序列和突变序列，研究人员可以检查 RNA-seq 或 ATAC-seq 信号中预测的差异。这种变异效应预测能力使该模型从一个生物学上的好奇点转变为识别罕见病或癌症中致病突变的潜在工具。

评估 AlphaGenome API 访问和开源状态

DeepMind 对 AlphaGenome 的分发策略遵循了 AlphaFold 3 所确立的模式，这引发了关于开放科学的争论。

模型架构的代码已通过 JAX 实现（google-deepmind/alphagenome）在 GitHub 上发布。然而，模型权重——即训练过程中学习到的大规模数值参数——并未完全开源。相反，访问权限是通过面向非商业研究用途的 API 进行管控的。

这种方法产生了一项特定的用户需求。研究人员可以定义输入并获取预测结果，但如果没有权重，他们就无法在自己的集群上本地运行完整模型。社区的反应褒贬不一。虽然 API 确保了那些没有大规模计算资源的人也能使用，但它也让那些需要修改模型或运行无法离开本地服务器的高吞吐量隐私敏感型筛选的高级用户感到沮丧。

目前存在着对类似于 AlphaFold 2 早期阶段的“权重可用”版本的强烈需求。目前的设置模仿了 AlphaFold Server 模式：对学术界而言功能强大且免费，但在底层参数方面最终仍是一个“黑盒”。

AlphaGenome 仍面临的挑战

尽管基准测试分数很高，AlphaGenome 并非遗传学领域的万能解法。《Nature》论文及随后的专家评论指出了其明显的局限性。

该领域的领导者 Anshul Kundaje 实验室指出，虽然该模型比 Borzoi 有所改进，但在处理细胞类型特异性调节方面仍显吃力。预测基因的一般行为与预测其在肝细胞与神经元中的特定行为是不同的。AlphaGenome 在这方面有所提升，但个体间基因表达的差异仍然难以完美捕捉。

此外，该模型严格来说是一个研究工具，尚未准备好用于临床环境。预测评分有时会夸大某些遗传变化的风险，如果在没有湿实验验证的情况下用于患者诊断，可能会导致假阳性。

预测基因调节的技术要求

对于那些希望集成AlphaGenome 集成到他们的工作流中，了解输入输出要求至关重要。

该模型高度依赖来自 ENCODE 联盟的数据。它不仅是读取字母，还会将它们映射到特定的实验分析结果。如果你正在设计实验来验证 AlphaGenome 的预测，你需要关注相同的指标：

• RNA-seq： 用于基因表达水平。

• ATAC-seq： 用于染色质可及性（DNA 是紧密缠绕还是开放状态？）。

• Hi-C： 用于 3D 基因组结构和接触图谱。

由于该模型预测这些特定的实验模式，它充当了“虚拟分析”的角色。你可以在计算机上模拟数千种突变，以观察哪些突变会改变染色质的可及性，从而在投入实际试剂成本之前筛选出候选对象。

基因组深度学习模型的未来

AlphaGenome 代表了基因组 AI 的整合阶段。我们正从“AI 能读懂 DNA 吗？”的初步兴奋，转向“AI 能可靠地预测实验吗？”的工程现实。

向具有单碱基分辨率的 1Mb 窗口迈进树立了新标准。未来的模型可能需要达到这一规模才能保持竞争力。序列到功能模型（如 AlphaGenome）与生成式语言模型（如 Evo 2）之间的竞争可能会定义下一年的研究方向。

目前，AlphaGenome 在具体的、可验证的预测方面占据优势。它是为需要针对特定变体获得特定答案的生物学家设计的工具，而不是为了构思新序列而设计的生成模型。随着 API 的广泛使用，我们可能会看到大量利用它来筛选疾病非编码驱动因素的论文，前提是社区能够应对闭源权重系统的局限性。

常见问题解答

AlphaGenome 和 Evo 2 有什么区别？

AlphaGenome 是一个序列到功能模型，用于预测基因表达等生物测定结果。Evo 2 是一个 DNA 语言模型 (DNALM)，旨在预测下一个 DNA 序列标记。它们具有不同的架构和预期用途，AlphaGenome 更专注于预测性基准测试。

我该如何访问 AlphaGenome 进行研究？

您可以通过 Google DeepMind 为非商业研究提供的 API 访问 AlphaGenome。虽然 JAX 代码已在 GitHub 上发布，但模型权重并未完全开源以供本地运行。

AlphaGenome 是否适用于非编码 DNA？

是的，分析非编码 DNA 是它的核心优势。它可以预测占基因组 98% 的非编码区域中的突变如何影响基因调节、染色质结构和剪接。

AlphaGenome 的上下文窗口是多少？

AlphaGenome 具有 100 万个碱基对 (1Mb) 的上下文窗口。这使其能够识别染色体上相距甚远的基因与调节元件之间的长程相互作用。

AlphaGenome 是否已准备好投入临床使用？

不。虽然它在基准测试中表现良好，但目前仍是一个研究工具。它不应被用于医疗诊断或患者护理，因为它在评估特定遗传变异的严重程度时仍可能产生错误。