DeepMind 发布 AlphaMissense：用 AI 预测 7100 万个基因突变致病性

如果把人体基因组当成一本写满了三十亿个字母的代码书，哪怕只敲错一个字母，都可能让人莫名其妙生一场大病。问题是，医学界翻开这本书时，大部分被挑出来的错别字，医生根本不知道它们到底有没有害。

在攻克蛋白质折叠之后，Google DeepMind 把目光投向了这个领域。团队在《Science》发表了一项历时三年的新成果：他们基于 AlphaFold 微调出了一个叫 AlphaMissense 的 AI 模型，一口气预测了人类基因中 7100 万个可能的错义突变，给每个突变打上良性或者可能致病的标签。

给 7100 万个错别字打分

所谓的错义突变，就是 DNA 里只变了一个字母，结果导致制造出来的蛋白质氨基酸跟着变了。

在临床基因测序里，有大约 25% 的疑似病例会卡在尴尬的位置。医生虽然揪出了突变，但不知道它是不是病根，医学上把这些叫做意义未明的变异。连研究得最透彻的乳腺癌风险基因 BRCA1 里，都有大把这种未解之谜。

DeepMind 这次把 AlphaFold 在生物物理结构上学到的直觉迁移了过来。他们没有从零训模型，而是通过微调，让 AI 直接判断蛋白质结构变了之后对人体到底有害无害。这样既省下了大笔算力，又解决了生物学领域缺乏大规模标记数据的难题。

目前 DeepMind 已经免费开放了全部 7100 万个预测结果和复现代码。但在模型权重这件事上，他们踩了刹车，直接扣下不发。

DeepMind 给出的理由是生物安全。他们担心一旦公开完整的模型权重，可能会被恶意分子直接拿去预测非人类物种的基因变异，甚至用来设计致命细菌或生物武器。

不过业内也有质疑的声音。有接受 Google 投资的公司创始人私下表示，这种拿生物安全当由头的做法，看起来更像是在防着同行太快把它部署成商业工具。

临床医生为什么泼冷水

虽然 DeepMind 拿出了顶级学术期刊的背书，但医药研发和临床一线专家的态度相当克制。

Broad 研究所临床实验室主任 Heidi Rehm 就直接泼了冷水。她表示计算机算法预测在临床上最多只能算是一项参考证据，医生确认致病突变，必须要看患者真实病史、家族遗传规律和实验室化验结果。

她对 DeepMind 在宣传中直接给突变贴上良性或致病的标签感到失望，认为这夸大了算法的医学确定性。在严谨的诊断流程里，算法给出的只是概率，远谈不上最终定论。

AI 制药公司 Insilico Medicine 创始人 Alex Zhavoronkov 更是调侃，DeepMind 依然很 DeepMind，公关做得极漂亮，AI 也做得很漂亮，但新算法的商业价值依然扑朔迷离。现代 AI 在医药领域真正的试金石，是能不能真正做出治病救人的新药，而这个目标至今还没实现。

为什么重要

我们认为，AlphaMissense 的价值不在于它能替代医生做诊断，而在于它给大海捞针的遗传病医生提供了一份排查优先级清单。

对于面对罕见病新生儿或突发疑难杂症的医生来说，在几百个可疑突变里逐一做湿实验验证并不现实。免费开放的 7100 万个预测数据，能让他们先去排查嫌疑最高的那几个候选者，大幅缩短找病因的时间。

对整个行业而言，这项工作证明了基础模型的微调在生物计算领域的巨大威力。此前蛋白质领域的模型大多只能看结构，AlphaMissense 把结构预测的先验知识直接转化成了功能与病理预测，这会逼着竞争对手从单纯的结构比拼转向真实的生物学效应。

但 DeepMind 的做法也藏着明显的隐患。一边把数据包装成非黑即白的良性与致病，容易误导公众对 AI 医疗确定性的认知；另一边以生物安全为由扣留权重，虽然在防范生物武器扩散上立得住脚，但在开源社区看来，这也很可能是巩固自身垄断地位的借口。

看起来，AI 深入生物医疗的下一阶段，比拼的已经不只是模型的预测准确率，更是如何让算法结论在严苛的临床检验与安全防范之间找到平衡。