DeepMind 釋出 AlphaMissense：用 AI 預測 7100 萬個基因突變致病性

如果把人體基因組當成一本寫滿了三十億個字母的程式碼書，哪怕只敲錯一個字母，都可能讓人莫名其妙生一場大病。問題是，醫學界翻開這本書時，大部分被挑出來的錯別字，醫生根本不知道它們到底有沒有害。

在攻克蛋白質摺疊之後，Google DeepMind 把目光投向了這個領域。團隊在《Science》發表了一項歷時三年的新成果：他們基於 AlphaFold 微調出了一個叫 AlphaMissense 的 AI 模型，一口氣預測了人類基因中 7100 萬個可能的錯義突變，給每個突變打上良性或者可能致病的標籤。

給 7100 萬個錯別字打分

所謂的錯義突變，就是 DNA 裡只變了一個字母，結果導致製造出來的蛋白質胺基酸跟著變了。

在臨床基因測序裡，有大約 25% 的疑似病例會卡在尷尬的位置。醫生雖然揪出了突變，但不知道它是不是病根，醫學上把這些叫做意義未明的變異。連研究得最透徹的乳腺癌風險基因 BRCA1 裡，都有大把這種未解之謎。

DeepMind 這次把 AlphaFold 在生物物理結構上學到的直覺遷移了過來。他們沒有從零訓模型，而是通過微調，讓 AI 直接判斷蛋白質結構變了之後對人體到底有害無害。這樣既省下了大筆算力，又解決了生物學領域缺乏大規模標記資料的難題。

目前 DeepMind 已經免費開放了全部 7100 萬個預測結果和復現程式碼。但在模型權重這件事上，他們踩了剎車，直接扣下不發。

DeepMind 給出的理由是生物安全。他們擔心一旦公開完整的模型權重，可能會被惡意分子直接拿去預測非人類物種的基因變異，甚至用來設計致命細菌或生物武器。

不過業內也有質疑的聲音。有接受 Google 投資的公司創始人私下表示，這種拿生物安全當由頭的做法，看起來更像是在防著同行太快把它部署成商業工具。

臨床醫生為什麼潑冷水

雖然 DeepMind 拿出了頂級學術期刊的背書，但醫藥研發和臨床一線專家的態度相當剋制。

Broad 研究所臨床實驗室主任 Heidi Rehm 就直接潑了冷水。她表示計算機演算法預測在臨床上最多隻能算是一項參考證據，醫生確認致病突變，必須要看患者真實病史、家族遺傳規律和實驗室化驗結果。

她對 DeepMind 在宣傳中直接給突變貼上良性或致病的標籤感到失望，認為這誇大了演算法的醫學確定性。在嚴謹的診斷流程裡，演算法給出的只是機率，遠談不上最終定論。

AI 製藥公司 Insilico Medicine 創始人 Alex Zhavoronkov 更是調侃，DeepMind 依然很 DeepMind，公關做得極漂亮，AI 也做得很漂亮，但新演算法的商業價值依然撲朔迷離。現代 AI 在醫藥領域真正的試金石，是能不能真正做出治病救人的新藥，而這個目標至今還沒實現。

為什麼重要

我們認為，AlphaMissense 的價值不在於它能替代醫生做診斷，而在於它給大海撈針的遺傳病醫生提供了一份排查優先順序清單。

對於面對罕見病新生兒或突發疑難雜症的醫生來說，在幾百個可疑突變裡逐一做溼實驗驗證並不現實。免費開放的 7100 萬個預測資料，能讓他們先去排查嫌疑最高的那幾個候選者，大幅縮短找病因的時間。

對整個行業而言，這項工作證明了基礎模型的微調在生物計算領域的巨大威力。此前蛋白質領域的模型大多隻能看結構，AlphaMissense 把結構預測的先驗知識直接轉化成了功能與病理預測，這會逼著競爭對手從單純的結構比拼轉向真實的生物學效應。

但 DeepMind 的做法也藏著明顯的隱患。一邊把資料包裝成非黑即白的良性與致病，容易誤導公眾對 AI 醫療確定性的認知；另一邊以生物安全為由扣留權重，雖然在防範生物武器擴散上立得住腳，但在開源社群看來，這也很可能是鞏固自身壟斷地位的藉口。

看起來，AI 深入生物醫療的下一階段，比拼的已經不只是模型的預測準確率，更是如何讓演算法結論在嚴苛的臨床檢驗與安全防範之間找到平衡。