DeepMind 推出 AlphaGenome Atlas：預測 90 億個 DNA 變異影響

人類的 DNA 有大約 30 億個鹼基對，但科學家真正摸清規律的，其實只有負責編碼蛋白質的那 2%。剩下的 98% 長期像一本讀不懂的天書，大家知道這裡面的單點變異會導致分子機制失常，卻很難看清全貌。

Google DeepMind 正式推出了 AlphaGenome Atlas 資料庫。他們用自家的人工智慧模型，把人類基因組裡所有可能的 90 億種單核苷酸變異全部提前計算了一遍，畫出了一張高解析度的分子影響預測圖譜。

把 90 億次突變算成 1PB 字典

DNA 只有 A、C、G、T 四個化學字母，單個字母的改變可能毫無影響，也可能是致命疾病的根源。問題是，人類基因組裡可能出現的單字母替換足足有 90 億種，想在實驗室裡用試管挨個驗證一遍，在現實中根本不可能完成。

DeepMind 去年釋出過 AlphaGenome 模型，雖然能預測變異的影響，但每次都要研究人員從頭跑一次模型。DeepMind 基因組學負責人 Ziga Avsec 坦言，變異的空間實在太大了，團隊花了很長時間做前置計算和系統分析，才把所有可能的結果一次性跑完。

這項工程最終沉澱出了一個高達 1PB 大小的龐大數據庫。這個體積是當年 DeepMind 著名的 AlphaFold 蛋白質結構資料庫的 30 多倍。

為了讓生物學家不用在大海里撈針，DeepMind 還提出了一個叫做 AVI 的變異影響評分。它把專門針對非編碼區的 AlphaGenome，以及之前用來預測蛋白質變異的 AlphaMissense 結合在一起，直接給每個突變算出一個綜合分。研究人員只要看一眼分數，就能判斷哪個突變最值得深入排查。

罕見病破案與零門檻查詢

這套工具在釋出前就已經給外部科研機構試用了，並且很快有了實質進展。

在博德研究所（Broad Institute），Laura Covill 的團隊利用 AVI 評分來排查疑難罕見病病例。系統準確標記出了 DNM1 基因上的一個關鍵突變，並預測它會生成一個錯誤的剪接位點。這項關鍵證據直接幫研究人員破解了一樁長期未解的罕見病案例。

在另一項針對英國生物樣本庫（UK Biobank）5.4 萬多名參與者的大規模研究中，Gareth Hawkes 博士利用該圖譜對變異進行功能分類，把非編碼區域的遺傳關聯發現數量拉高了 22%。在排名前 1% 的高危變異中，他鎖定了與身體質量指數（BMI）相關的 19 個基因組區域。

更實在的是使用門檻。DeepMind 上線了一個不需要任何程式設計基礎的網頁端門戶，科研人員像使用搜索引擎一樣就能查詢這 90 億個位點。這套能力也同步開放了 API，並接入了 Google 的 Antigravity 平臺。目前該工具對非商業學術研究免費，商業版本則計劃在近期通過 Google Cloud 提供。

為什麼重要

我們認為，AlphaGenome Atlas 最聰明的地方不在於又刷了什麼新演算法，而在於把高門檻的 AI 算力變成了人人可查的生物學基礎設施。

過去，一個沒有強大生物資訊學團隊的普通實驗室，很難承受針對特定基因組位點部署並微調大模型的算力成本與工程複雜度。現在 DeepMind 把 90 億種排列組合一次性算透，變成一份 1PB 的現成字典。無論是臨床醫生排查罕見病，還是藥企尋找藥物靶點，開啟網頁輸入位點就能直接拿到優先順序排序，研發效率的提升是極其直觀的。

從行業競爭來看，這是 DeepMind 在生命科學領域的又一記重拳。在 Demis Hassabis 和 John Jumper 憑藉 AlphaFold 斬獲 2024 年諾貝爾化學獎之後，DeepMind 顯然在加速將科學智慧的優勢從蛋白質結構向整個基因調控網路拓展，為其旗下的藥物研發公司 Isomorphic Labs 鋪路，同時也進一步拉大了與普通模型廠商在嚴謹科學領域的身位差距。

不過，研究人員也需要保持客觀。Atlas 給出的終究是深度學習模型的預測機率，而不是溼實驗中的生理金標準。對於 AVI 給出高分的位點，臨床和藥物研發依然繞不開嚴格的生化驗證；模型在非編碼區的長程調控預測上到底還有多大偏差，也還需要全球科研社群在真實應用中持續檢驗。