AlphaGenome 2: DeepMind доводит чтение ДНК до уровня отдельной клетки
Google DeepMind объявила об AlphaGenome 2 в своём блоге 11 ноября 2026 года. Компания представляет её как модель нового поколения, которая оценивает, как последовательности ДНК и их варианты влияют на конкретные типы клеток человека. Контекст объясняет, почему это важно. Большинство генетических вариантов, связанных с болезнями, находится в некодирующей ДНК, и их эффект часто меняется от одного типа клеток к другому. Первая версия, анонсированная в июне 2025 года и опубликованная в Nature в 2026 году, работала на уровне тканей. Вторая спускается ниже, к отдельному типу или состоянию клетки. Именно на этом уровне сегодня читают исследования single-cell.
Главное отличие — в постановке задачи. По описанию DeepMind, AlphaGenome 1 предсказывает все треки параллельно. AlphaGenome 2 же условная: она получает последовательность примерно в миллион оснований вместе с одним биологическим условием — тканью, типом клетки или состоянием клетки. Компания заявляет, что для обучения использовано более 107 миллионов индивидуальных клеточных профилей из образцов человека и мыши, причём как bulk-данные, так и single-cell. Во вступлении того же поста цифра превращается в «более 100 миллионов» профилей из 68 тканей. Предсказываемые модальности остались теми же, что в первой версии: экспрессия генов, модификации гистонов и доступность хроматина. Новинка — метилирование ДНК. Кроме того, модель может оценить недостающую модальность по другой, например доступность хроматина по активности генов, измеренной в отдельных клетках.
Все цифры производительности получены от DeepMind. Компания утверждает, что AlphaGenome 2 находит почти вдвое больше вариантов, меняющих экспрессию генов в клетках, чем предыдущая эталонная модель, но абсолютных значений не приводит. Наиболее подробные данные касаются TenK10K — single-cell-карты 28 типов первичных иммунных клеток. По словам DeepMind, на этом наборе данных модель выявляет 30% причинных вариантов против 16% у методов сравнения, которыми выступают исходная AlphaGenome, адаптированная к single-cell-данным, и другие специализированные инструменты. Направление эффекта на ген она верно указывает в 43% случаев против 23%. Interesting Engineering приводит те же цифры. DeepMind также утверждает, что модель адаптируется к новым single-cell-данным, даже полученным всего от нескольких десятков клеток, без переобучения и в таких случаях не уступает моделям, обученным специально на этих данных, или превосходит их. Цифр в подтверждение пост не даёт. Описательными, без количественных данных, остаются и представленные примеры: вариант гена ETS2, связанный с воспалительными заболеваниями кишечника, и исследование вакцины от COVID-19, в котором активированные T-лимфоциты отличают от покоящихся.
В посте упоминается сотрудничество с исследователями Wellcome Sanger Institute. Далее приводятся два внешних комментария, отобранные самой DeepMind. Сара Тейхманн, сооснователь консорциума Human Cell Atlas и профессор Кембриджского университета, называет самым интересным то, что модель «напрямую адаптируется к новым single-cell-данным без переобучения». Питер Доннелли, генеральный директор Genomics Limited, называет её «заметным шагом вперёд для отрасли» и сообщает, что компания намерена встроить её в свою платформу Mystra.
По данным DeepMind, модель уже доступна для некоммерческих исследований через API AlphaGenome. В официальной документации уточняется, что для такого использования API бесплатен, а лимиты запросов зависят от спроса. Для коммерческих исследований модель находится в закрытом предварительном доступе. Компания подчёркивает, что AlphaGenome и AlphaGenome 2 предназначены только для исследований и не валидированы и не одобрены для клинического или диагностического применения. Остаются белые пятна. Рецензируемой публикации нет, как нет и препринта на arXiv или bioRxiv. Мы не смогли напрямую ознакомиться с техническим документом, на который ссылается блог, поэтому архитектура, полные таблицы и пороги точности не проверены из первых рук. Ни блог, ни документация не сообщают, будут ли опубликованы веса модели. Некоторые издания приводят дополнительные цифры, например о числе заранее рассчитанных вариантов, которых мы не нашли в официальных источниках: в блоге говорится лишь о «сотнях условий». Наконец, в изученных публикациях нет оценок независимых экспертов.
Пока меня больше убеждает идея, чем цифры. Спросить модель, что делает вариант в этой клетке, в этом состоянии, — правильный вопрос, потому что именно на этом уровне эффект варианта можно наблюдать по-настоящему, а не усреднять по ткани. Но шаг вперёд, объявленный в корпоративном блоге и сопровождённый лишь комментариями, которые выбрал сам автор, пока остаётся хорошо аргументированным обещанием. Настоящий вердикт появится, когда другие лаборатории начнут задавать модели вопросы, которые DeepMind не выбирала.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала официальный пост Google DeepMind от 11.11.2026 (дата, авторы, обучающие данные, модальности, результаты на TenK10K, условия доступа, цитаты) и официальную документацию на alphagenomedocs.com (бесплатный API для некоммерческого использования, ссылка на публикацию первой версии в Nature). Для независимого подтверждения прочитала Interesting Engineering (11.11.2026): те же цифры — 30% против 16% и 43% против 23%, 107 миллионов профилей, 68 тканей, некоммерческий API, закрытый предварительный доступ для коммерческого использования, только исследования. Не удалось прочитать MarkTechPost (доступ запрещён) и PDF статьи (более 10 МБ). Исключила уже опубликованные темы: статья об AlphaProof Code и Signal посвящена другому проекту DeepMind.
- Incertezze
- Все цифры производительности получены от DeepMind. Техническую статью я не прочитала, потому что PDF превышает лимиты загрузки, поэтому архитектура, полные таблицы и пороги точности не проверены из первых рук (некоторые издания пишут о точности 90%). Нет ни рецензируемой публикации, ни препринта на arXiv или bioRxiv. Неизвестно, будут ли опубликованы веса. Некоторые издания называют около 7 миллионов заранее рассчитанных вариантов для 510 условий, но в прочитанных мной официальных источниках этой цифры нет: в блоге сказано лишь о «сотнях условий». Ряд утверждений, например о специфичности для типов клеток и об адаптации к новым данным, носит качественный характер и не подкреплён цифрами. Единственные внешние комментарии отобрала DeepMind, а в прочитанных изданиях нет оценок независимых экспертов.
- Perché pubblicarla
- Это научный результат с официальным первоисточником, количественными данными и реальным доступом для научного сообщества: API бесплатен для некоммерческих исследований. Тема касается генетики болезней, то есть общественного интереса, и позволяет взглянуть на неё без шумихи: цифры заявлены компанией, рецензирования нет, клинического применения нет, а будут ли опубликованы веса, неизвестно.