Google DeepMind روز ۱۱ نوامبر ۲۰۲۶ از AlphaGenome 2 رونمایی کرد؛ مدلی برای توالی‌های DNA که پیش‌بینی می‌کند تغییرهای ژنتیکی چگونه فعالیت انواع مشخصی از سلول‌های انسانی را عوض می‌کنند، نه اینکه فقط به میانگین کل یک بافت بسنده کند. این معرفی‌نامه را Adam Gayoso، Natasha Latysheva، Pushmeet Kohli و Žiga Avsec امضا کرده‌اند. به گفته‌ی این شرکت، مدل از همین امروز برای پژوهش غیرتجاری از راه AlphaGenome API در دسترس است و برای پژوهش تجاری به‌صورت پیش‌نمایش خصوصی ارائه می‌شود.
نسخه‌ی نخست AlphaGenome که سال گذشته عرضه شد، یک توالی DNA با یک میلیون حرف را می‌خواند و ویژگی‌های هزاران آزمایش از بافت‌های گوناگون را هم‌زمان پیش‌بینی می‌کرد. Google DeepMind می‌گوید این طراحی موازی ظرفیت مدل را پخش و کم‌رنگ می‌کرد و تشخیص تفاوت میان انواع نزدیک سلولی را دشوار می‌ساخت. AlphaGenome 2 ساختار دیگری دارد. این مدل شرطی است و در هر مرحله از معماری‌اش وضعیت زیستی هدف، یعنی یک بافت، یک نوع سلول یا یک حالت سلولی، را به‌عنوان ورودی می‌گیرد و هر بار فقط برای همان یک وضعیت پیش‌بینی می‌کند. این وضعیت را می‌شود از یک فهرست مرجع برگزید یا با کدگذار سلولی از آزمایش تک‌سلولی خود پژوهشگر ساخت.
آموزش مدل بر داده‌های تجمعی و تک‌سلولی نمونه‌های انسان و موش تکیه دارد، از جمله بیش از ۱۰۷ میلیون پروفایل سلول منفرد از ۶۸ بافت. خروجی‌ها همان سنجه‌های مدل اول، مثل بیان ژن، تغییرهای هیستونی و دسترس‌پذیری کروماتین را پوشش می‌دهند و متیلاسیون DNA هم به آن‌ها افزوده شده است؛ ویژگی‌ای که به گفته‌ی Google خواستاران زیادی داشت. چون مدل وضعیت سلول را از خروجی‌هایش جدا می‌کند، می‌تواند اندازه‌گیری‌هایی را هم که هرگز انجام نشده‌اند تکمیل کند. اگر پژوهشگر فقط فعالیت ژن‌ها را بدهد، برآوردی از دسترس‌پذیری کروماتین دریافت می‌کند و این می‌تواند در انتخاب آزمایش بعدی کمک کند.
نتیجه‌ی شاخص از TenK10K می‌آید، نقشه‌ای تک‌سلولی از ۲۸ نوع سلول ایمنی نخستین. Google DeepMind گزارش می‌دهد AlphaGenome 2 سی درصد از واریانت‌های علّی را شناسایی کرده، در حالی که AlphaGenome اصلی با تنظیم روی داده‌های تک‌سلولی و ابزارهای تخصصی دیگر به شانزده درصد رسیده است. جهت اثر بر ژن‌ها هم در ۴۳ درصد موارد درست بازیابی شده، در برابر ۲۳ درصد. در یک نمونه‌ی موردی، مدل یافته‌ای منتشرشده را بازتولید کرد: واریانتی در یک کلید تنظیمی دور با فعال‌سازی بیش‌ازحد ژن ETS2 در ماکروفاژهای روده باعث بیماری التهابی روده می‌شود. مدل واریانت علّی را مشخص کرد و نشان داد که ETS2 را در همین سلول‌ها تقویت می‌کند، بی‌آنکه بر سایر انواع سلول و ژن‌ها اثر چشمگیری بگذارد.
شرکت می‌گوید مدل بدون آموزش دوباره با حالت‌های سلولی تازه هم سازگار می‌شود. پژوهشگر داده‌ی RNA تک‌سلولی بارگذاری می‌کند و حتی چند ده سلول کافی است. فعالیت ژنی به یک بازنمایی از حالت سلول فشرده می‌شود و مدل بر پایه‌ی آن شرطی می‌گردد. در نمونه‌ای با داده‌های دیده‌نشده از یک پژوهش درباره‌ی واکسن mRNA کووید-۱۹، AlphaGenome 2 سلول‌های T فعال‌شده با واکسن را از سلول‌های در حالت استراحت جدا کرد و نشان داد واریانتی که به کووید-۱۹ شدید ربط دارد، در حالت فعال فعالیت ژنی را بیشتر مختل می‌کند؛ اثری که مدلِ آموزش‌دیده فقط روی سلول‌های استراحت از دست می‌داد.
Google DeepMind همچنین پیش‌بینی‌هایی را از پیش محاسبه کرده است برای واریانت‌های مرتبط با صفات، در صدها وضعیت سلولی و بافتی انسان. هدف این است که پیوند میان تقویت‌کننده‌ها و ژن‌ها در انواع نخستین سلول انسانی، مثل آستروسیت‌های مغز، نقشه‌برداری شود؛ جایی که غربالگری‌های CRISPR روی رده‌های سلولی آزمایشگاهی کمتر به آن می‌رسند. همچنین سیگنال‌های مطالعات پیوستگی ژنوم، برای صفاتی از قد تا دیابت نوع ۲، به واریانت‌ها و سلول‌های مشخص محدود شود. در متن از پروفسور Sarah Teichmann از دانشگاه کمبریج و هم‌بنیان‌گذار کنسرسیوم Human Cell Atlas و Peter Donnelly، مدیرعامل Genomics Limited، نقل شده است. او گفته شرکتش می‌خواهد مدل را در پلتفرم Mystra به کار بگیرد.
محدودیت‌ها را خود Google DeepMind اعلام کرده است. AlphaGenome و AlphaGenome 2 فقط برای پژوهش در نظر گرفته شده‌اند و برای مصارف بالینی یا تشخیصی اعتبارسنجی یا تأیید نشده‌اند. اعداد عملکرد از اعلامیه‌ی خود شرکت می‌آیند و بازتولید مستقل بیرونی ندارند. Google DeepMind می‌افزاید AlphaGenome 2 Skills برای پلتفرم توسعه‌ی عامل‌محور Antigravity به‌زودی منتشر می‌شود.