DeepMind 推出 AlphaGenome Atlas：预测 90 亿个 DNA 变异影响

人类的 DNA 有大约 30 亿个碱基对，但科学家真正摸清规律的，其实只有负责编码蛋白质的那 2%。剩下的 98% 长期像一本读不懂的天书，大家知道这里面的单点变异会导致分子机制失常，却很难看清全貌。

Google DeepMind 正式推出了 AlphaGenome Atlas 数据库。他们用自家的人工智能模型，把人类基因组里所有可能的 90 亿种单核苷酸变异全部提前计算了一遍，画出了一张高分辨率的分子影响预测图谱。

把 90 亿次突变算成 1PB 字典

DNA 只有 A、C、G、T 四个化学字母，单个字母的改变可能毫无影响，也可能是致命疾病的根源。问题是，人类基因组里可能出现的单字母替换足足有 90 亿种，想在实验室里用试管挨个验证一遍，在现实中根本不可能完成。

DeepMind 去年发布过 AlphaGenome 模型，虽然能预测变异的影响，但每次都要研究人员从头跑一次模型。DeepMind 基因组学负责人 Ziga Avsec 坦言，变异的空间实在太大了，团队花了很长时间做前置计算和系统分析，才把所有可能的结果一次性跑完。

这项工程最终沉淀出了一个高达 1PB 大小的庞大数据库。这个体积是当年 DeepMind 著名的 AlphaFold 蛋白质结构数据库的 30 多倍。

为了让生物学家不用在大海里捞针，DeepMind 还提出了一个叫做 AVI 的变异影响评分。它把专门针对非编码区的 AlphaGenome，以及之前用来预测蛋白质变异的 AlphaMissense 结合在一起，直接给每个突变算出一个综合分。研究人员只要看一眼分数，就能判断哪个突变最值得深入排查。

罕见病破案与零门槛查询

这套工具在发布前就已经给外部科研机构试用了，并且很快有了实质进展。

在博德研究所（Broad Institute），Laura Covill 的团队利用 AVI 评分来排查疑难罕见病病例。系统准确标记出了 DNM1 基因上的一个关键突变，并预测它会生成一个错误的剪接位点。这项关键证据直接帮研究人员破解了一桩长期未解的罕见病案例。

在另一项针对英国生物样本库（UK Biobank）5.4 万多名参与者的大规模研究中，Gareth Hawkes 博士利用该图谱对变异进行功能分类，把非编码区域的遗传关联发现数量拉高了 22%。在排名前 1% 的高危变异中，他锁定了与身体质量指数（BMI）相关的 19 个基因组区域。

更实在的是使用门槛。DeepMind 上线了一个不需要任何编程基础的网页端门户，科研人员像使用搜索引擎一样就能查询这 90 亿个位点。这套能力也同步开放了 API，并接入了 Google 的 Antigravity 平台。目前该工具对非商业学术研究免费，商业版本则计划在近期通过 Google Cloud 提供。

为什么重要

我们认为，AlphaGenome Atlas 最聪明的地方不在于又刷了什么新算法，而在于把高门槛的 AI 算力变成了人人可查的生物学基础设施。

过去，一个没有强大生物信息学团队的普通实验室，很难承受针对特定基因组位点部署并微调大模型的算力成本与工程复杂度。现在 DeepMind 把 90 亿种排列组合一次性算透，变成一份 1PB 的现成字典。无论是临床医生排查罕见病，还是药企寻找药物靶点，打开网页输入位点就能直接拿到优先级排序，研发效率的提升是极其直观的。

从行业竞争来看，这是 DeepMind 在生命科学领域的又一记重拳。在 Demis Hassabis 和 John Jumper 凭借 AlphaFold 斩获 2024 年诺贝尔化学奖之后，DeepMind 显然在加速将科学智能的优势从蛋白质结构向整个基因调控网络拓展，为其旗下的药物研发公司 Isomorphic Labs 铺路，同时也进一步拉大了与普通模型厂商在严谨科学领域的身位差距。

不过，研究人员也需要保持客观。Atlas 给出的终究是深度学习模型的预测概率，而不是湿实验中的生理金标准。对于 AVI 给出高分的位点，临床和药物研发依然绕不开严格的生化验证；模型在非编码区的长程调控预测上到底还有多大偏差，也还需要全球科研社区在真实应用中持续检验。