同一个DNA变异，在不同细胞里可能完全是两回事。传统模型只能给出泛化预测，而Google DeepMind发布的AlphaGenome2换了个思路：把细胞类型或状态信息同步作为输入，让预测落到具体细胞上。

这套模型训练于1.07亿单细胞特征数据。结果是，它识别出能改变基因表达的致病变异数量几乎是以前的两倍，疾病根源的探索范围随之拓宽。

细胞类型条件化输入解决的正是老模型的软肋。以往预测不分细胞，泛化结果难以指向具体场景；现在模型同步获取特定细胞类型或状态信息，针对不同细胞给出精准预测。

一个具体例子是新冠疫苗研究。AlphaGenome2成功区分了激活的免疫细胞与静息细胞，并准确找出在细胞激活状态下破坏性更强的新冠致病变异。

另一处变化在科研流程上。模型无需重新训练，即可直接分析全新的单细胞实验数据，即插即用的特性显著降低了流程成本。对复杂疾病药物研发来说，这类线索的价值在于把变异影响落到具体细胞语境里。