Содержание
От усреднённых тканей к конкретным клеткам
Google DeepMind 11 ноября представила AlphaGenome 2 и открыла её через API для некоммерческих исследований. Модель прогнозирует, как последовательность ДНК и её варианты влияют на активность генов в определённых типах и состояниях клеток. Для коммерческих исследований пока действует private preview — это не общедоступный коммерческий запуск.
Что изменилось в устройстве модели
Первая AlphaGenome получала участок ДНК длиной около миллиона букв и одновременно выдавала прогнозы для множества тканей и клеточных линий. Во второй версии к последовательности добавляется биологическое условие: ткань, тип или состояние клетки. Модель строит прогноз для одного такого условия за раз, а не распределяет вычислительные возможности между всеми выходами одновременно.
Это позволяет учитывать различия, которые теряются в усреднённых данных. Один и тот же вариант ДНК может менять активность гена в иммунной клетке, но почти не влиять на него в другой клетке той же ткани. У AlphaGenome 2 также появился прогноз метилирования ДНК; сохранились прогнозы экспрессии генов, доступности хроматина и модификаций гистонов.
Для обучения использовали данные человека и мыши, включая более 107 млн профилей отдельных клеток. В анонсе указаны 68 тканей. Дополнительный механизм позволяет задавать новое состояние клеток через измерения активности генов из single-cell RNA-seq, не переобучая всю модель. По одному виду измерений она может оценивать и другие, отсутствующие в эксперименте, — например, доступность хроматина.
Какие улучшения показали испытания
На TenK10K — наборе данных по 28 типам иммунных клеток — DeepMind сообщает о выявлении 30% причинных вариантов против 16% у прежней модели, дообученной на single-cell данных. Для направленного влияния на экспрессию генов приведены 43% против 23%. Это результаты конкретной исследовательской проверки, а не универсальная точность для любого заболевания или генома.
В отдельном примере модель воспроизвела известный механизм воспалительных заболеваний кишечника: вариант в удалённом регуляторном участке усиливает активность ETS2 именно в макрофагах кишечника. Такой анализ помогает связать вариант, ген и нужный тип клетки, а не только отметить ассоциацию с заболеванием.
Границы применения
Практический результат — более прицельный отбор генетических вариантов и клеточных состояний для дальнейших экспериментов. Расчёт остаётся прогнозом: он не заменяет лабораторную проверку причинного механизма. DeepMind отдельно подчёркивает, что AlphaGenome и AlphaGenome 2 предназначены только для исследований и не валидированы и не одобрены для клинической диагностики.
Интеграция AlphaGenome 2 Skills с Google Antigravity пока только анонсирована. Её не следует путать с уже работающим доступом к модели через API.
Где попробовать
Официальная документация AlphaGenome подтверждает бесплатный API для некоммерческого использования. Для запросов нужен API-ключ. Есть учебные ноутбуки и пример работы с AlphaGenome 2. Условия коммерческого применения отличаются: публичного коммерческого доступа в этом запуске нет.
Источник: анонс Google DeepMind от 11 ноября 2026 года.
Первый исследовательский расчёт
Получите ключ AlphaGenome API
Откройте официальную страницу API по ссылке выше, войдите в Google-аккаунт и ознакомьтесь с условиями некоммерческого использования.
Откройте учебный ноутбук
Выберите пример AlphaGenome 2 из документации. В Google Colab добавьте ключ в Secrets под именем ALPHA_GENOME_API_KEY и разрешите доступ текущему ноутбуку.
Задайте клеточное условие и вариант
Для первого расчёта используйте референсный тип клеток и вариант из примера Getting started. Это позволит проверить весь процесс на подготовленных входных данных.
Сопоставьте прогнозы двух последовательностей
Запустите пример сравнения REF и ALT и оценку эффекта варианта. Рассматривайте результат как исследовательскую гипотезу, а не медицинское заключение.