单一来源
当前只有一个可用来源，尚未完成多源交叉核验DeepMind发布AlphaGenome 2 深入单个细胞寻找遗传变异与疾病之间的联系
Google DeepMind推出了新一代基因组人工智能模型AlphaGenome 2，旨在更精确地预测DNA遗传变异如何影响人体不同类型的细胞，以及细胞在不同生物学状态下的活动。
这项技术希望帮助研究人员从海量遗传信息中识别与疾病有关的关键变化，进一步揭示疾病发生机制，并为未来药物研发寻找新的靶点。AlphaGenome 2是去年推出的AlphaGenome模型的后续版本。
两者的核心任务都是研究遗传变异对基因活动的影响，但新模型将分析粒度进一步细化到了具体细胞类型和细胞状态。人体几乎所有细胞都携带相同的DNA，但不同细胞执行的任务并不相同。例如，心肌细胞、皮肤细胞和负责抵御感染的免疫细胞，虽然拥有基本相同的遗传信息，却会根据自身功能启动或关闭不同的基因。
即使是同一种细胞，在生长、分化、受到感染或其他生理状态下，基因活动也可能发生变化。这意味着，同一种遗传变异在不同细胞中可能产生完全不同的影响。如果只从整个组织或人体整体层面分析遗传数据，就可能遗漏某些只在特定细胞中出现的异常。
AlphaGenome 2正是为解决这一问题而设计，希望能够判断某个DNA变化究竟会影响哪些细胞，以及它在特定生物学状态下可能产生什么后果。为了实现这种更精细的预测，Google DeepMind使用了超过1亿份单细胞数据进行模型训练，数据覆盖68种人体组织。
研究人员希望借助这些庞大的细胞图谱，让模型不再只是识别DNA序列与基因活动之间的普遍关联，而是能够根据具体细胞的生物学特征，预测遗传变异可能造成的影响。DeepMind表示，AlphaGenome 2能够识别出几乎两倍于此前先进模型数量的、可能改变细胞基因表达的遗传变异。
这意味着研究人员有机会发现过去在更大范围分析中容易被忽略的遗传信号。另一项重要能力是，AlphaGenome 2可以对训练数据中没有直接出现过的细胞类型和生物学状态进行预测，而不必针对每一种新细胞重新训练模型。
这种泛化能力有助于研究人员探索数据相对稀缺的细胞类型，也能帮助他们发现现有实验数据中的空白，从而决定下一步应该在哪些方向开展实验。参与该项目的Google DeepMind研究科学家Adam Gayoso认为，这项工作的关键进展，是将人类遗传学与细胞生物学更加紧密地联系起来。
研究人员可以先从大规模人群遗传研究中发现可疑变异，再利用AlphaGenome 2进一步分析这些变异在细胞层面可能造成的影响，进而寻找它们与特定疾病之间的联系。Google DeepMind基因组学负责人Žiga Avsec则指出，这种细胞层面的精细分析对药物研发尤其重要。
药物通常针对特定蛋白质和细胞类型发挥作用，因此，了解某种遗传变异究竟影响了哪些细胞，以及这些细胞发生了什么变化，可能帮助研究人员更准确地确定治疗靶点。这一领域能够取得进展，也得益于近年来单细胞测序和其他生物技术的发展。
研究人员如今能够以更高分辨率捕捉单个细胞及其所处的生物学状态，并积累足够庞大的数据集，为训练此类人工智能模型提供基础。DeepMind还计划继续扩大训练数据规模，特别是补充目前代表性不足的细胞状态。
Avsec表示，未来版本甚至可能引入多个物种的数据，使模型能够从更广泛的生物学体系中学习规律。更长远来看，这类模型可能成为构建虚拟细胞的重要基础，即通过数字模拟重现真实细胞内部的生物学活动。
不过，AlphaGenome 2并不会立即取代上一代模型。更精细的细胞级预测需要消耗更多计算资源，运行成本也更高。DeepMind此前在2026年9月推出的AlphaGenome Atlas，已经利用原版AlphaGenome预先计算了人类基因组中约90亿种可能的单碱基变化及其分子影响。
如果改用计算成本更高的AlphaGenome 2完成如此庞大的任务，效率和资源消耗都不够理想。因此，两代模型在现阶段仍将承担不同任务：AlphaGenome适合进行大规模、全基因组范围的预测，而AlphaGenome 2则更适合针对特定遗传变异和细胞类型开展深入分析。
Google宣布，AlphaGenome 2将从11月11日起通过AlphaGenome API向非商业研究人员开放，同时向商业研究机构提供有限的私人预览权限。这意味着科研人员可以开始将其用于遗传学和细胞生物学研究，但商业应用仍处于受限开放阶段。
需要强调的是，AlphaGenome 2目前仍是一种科研预测工具，而不是经过临床验证的诊断或治疗系统。模型识别出的遗传变异及其潜在影响，仍需要通过实验研究和临床证据进一步确认，不能直接用于判断某个人是否患有某种疾病。
从AlphaGenome到AlphaGenome 2，再到覆盖约90亿种遗传变异的AlphaGenome Atlas，Google DeepMind正在尝试建立一套从DNA序列、遗传变异到细胞活动的人工智能研究体系。
如果未来能够进一步整合不同组织、细胞状态乃至多个物种的数据，这类模型有望帮助科学家更系统地理解遗传信息如何转化为真实的生物学功能，并为疾病机制研究和新药开发提供新的研究工具。 查看评论
Evidence
来源与证据
当前仅有一个可用来源，尚未完成多源交叉核验。
- 发布时间
- 内容处理
- AI 翻译 / 摘要，需结合原文核对
相关资讯
菜鸟开放仓库场景训练具身智能 推出硬科技出海一站式服务
菜鸟依托 AI 实现物流效率大幅提升，当前 AI 辅助配仓占比已达 96%，在多个运营环节落地 AI 应用。近期菜鸟推出两项新动作：一是开放全球真实仓库场景作为具身智能的训练集，加速具身 Demo 走向产品，将物流场景划分为短程泛化、中程精准、长程策略三个层级，帮助具身智能企业找准落地切入点，推动具身智能产业发展，目标未来十年实现 50% 的机器人辅助作业。二是推出面向 AI 算力、机器人等硬科技产品的「科技出海三日达」一站式供应链服务，覆盖跨境运输、海外仓储、售后等全链条，匹配不同发展阶段硬科技企业的出海需求。两项布局分别为具身智能提供真实训练与验证环境，为中国硬科技企业补上全球交付运营的供
HyperAgent：openJiuwen 对未来 Agent 架构的思考和实践
开源 AI Agent 社区 openJiuwen 提出 HyperAgent 下一代 Agent 架构，指出 Agent 兼具软件程序与智能主体的二元属性，明确 HyperAgent 需具备主动性、永续性、成长性、协作性、确定性、扩展性、开放性、经济性八项核心特征。该架构依托覆盖 Agent 全生命周期的开源 AgentOS 分层设计支撑，围绕智能主体属性构建事件驱动全双工交互、Persistent Agent 永续承载、CoRSI 协同递归演进、异构蜂群协作等能力，围绕应用属性搭建分布式可靠运行时、RSI 友好扩展机制、虚实环境操控体系、算力与模型路由协同的成本优化体系，同时支持个人桌面、
硬刚全球顶尖模型，北大数院团队登顶 RoboColiseum
北大数院杨超教授领衔团队打造的物理 AI 框架 MXI-SimWorld v0 Preview，在具身智能权威评测平台 RoboColiseum 最新周榜中以 0.9656 的综合得分位列总榜第一，空间理解、通用操作子榜居首，指令跟随、扰动适应子榜位列第二，四个维度全部进入前二。该框架提出「以仿真支撑策略决策」思路，通过场景重建、交互校准、多环境并行动作预演的完整流程，依托自研的谐物仿真引擎实现远超主流物理引擎的求解速度，解决通用大模型缺乏物理交互认知、落地机器人场景易失误的短板，让机器人在执行真实动作前先在可信仿真环境中预演筛选最优方案，团队正搭建「高性能计算＋物理仿真＋AI」全栈技术体系，
唯一超过 Fable 5.2：不走 VLA，也不走 WAM，他们用旧 Claude 拿了第一
乾章智能推出的 Q0-Preview 在 RoboDojo Sim 双臂机器人仿真评测榜单上以 68.87% 的任务成功率、74.2 的综合得分超越 Anthropic 的 Fable 5.2 位列第一，是该榜单首个综合得分破 70 的方案。该方案未采用 VLA 或 WAM 技术范式，而是走 Agent 路线，以 Anthropic 上一代模型 Opus 5.5 为基座，远高于 Anthropic 官方公布的该模型 39.4% 的正确率。其核心思路是将具身操作转化为确定各操作阶段的接触位置与姿态的空间计算问题，依托多模态大模型的空间感知与编程能力，通过像素定位结合相机参数计算将接触目标映射到世
AI 翻译、摘要和解读仅用于辅助判断；涉及重要决策时，请回到上方来源核实。