谷歌 DeepMind 近日推出 AlphaGenome Atlas，一个围绕人类基因组中约 90 亿种单核苷酸变异构建的预测资源平台。该平台对基因组中所有可能的“单字母”DNA 改变进行功能预测，并以免费门户、API 等形式向学术界开放。相比单一模型能力的展示，这一发布更像是把 AI for Science 从“可用工具”推进为“科研基础设施”：研究者不再只是调用模型分析某个变异，而是可以直接查询一个已经预先计算好的全基因组效应图谱。
从预测模型到全景数据库：AI 开始进入基因组学的日常流程
解读基因变异一直是生命科学中的核心难题。人类基因组规模庞大，可能出现的单字母突变数量约达 90 亿种，如果依靠传统实验逐一验证，几乎无法完成。此前，DeepMind 已推出 AlphaGenome 模型，用于预测基因变异对生物过程的影响；而 AlphaGenome Atlas 则更进一步，将这些预测结果大规模预先计算并整理成数据库。
这种变化的意义在于，AI 不再只是某个研究环节里的辅助工具，而是开始成为可以被持续查询、反复调用的基础资源。就像地图集汇总地理信息一样，AlphaGenome Atlas 试图把全基因组 DNA 变异的分子效应整理成一张可检索的“地图”，帮助研究人员更快判断哪些遗传变化可能具有生物学意义。
根据谷歌公布的信息，AlphaGenome Atlas 是一个规模达 1 PB 的数据集，比 AlphaFold 数据库大 30 倍以上。平台包含多个互相联动的资源：
- 分子效应预测：每个变异都包含数千个分子效应预测，覆盖基因调控的多个重要方面，并涉及数百种人类和小鼠细胞类型与组织。
- AVI 评分：用于描述每个遗传变异影响的单一数值，便于研究者快速排序和筛选。
- AVI 特征归因：每个 AVI 评分都关联到驱动其结果的具体生物学特征，例如 AlphaGenome 的基因调控预测，或 AlphaMissense 的蛋白质影响评分。
- DNA 序列基序：包含超过 2500 个重复性 DNA 序列及其位置的完整合集，可理解为基因组中的“词汇”信息。
AVI 评分的价值：让研究者先排序，再深入研究
在基因组研究中，真正困难的往往不是“找到变异”，而是判断哪些变异值得继续研究。AlphaGenome Atlas 同时发布了 AlphaGenome Variant Impact（AVI）评分，它结合 AlphaGenome 与 AlphaMissense 两个模型的预测能力，将复杂结果压缩为一个数值，帮助研究人员快速评估变异的影响强度。
这一评分不仅适用于编码区，也适用于非编码区。编码区约占基因组的 2%，负责编码蛋白质；非编码区约占 98%，参与协调基因活性，并容纳绝大多数与性状相关的变异。对于长期缺乏明确解读工具的非编码区域而言，这类统一评分体系可能具有更高的实用价值。
素材提到，AVI 评分在多种变异致病性和罕见疾病基准测试中展现出较高性能。对科研人员来说，这意味着他们可以先把有限的实验资源集中到更可能产生影响的变异上，从而提升研究效率。
已有实际研究案例：罕见病与大规模人群数据都派上用场
值得注意的是，AlphaGenome Atlas 并不只是停留在概念层面的资源库。素材显示，外部合作团队已经开始利用这一平台取得具体成果。
- 在罕见病研究中，博德研究所团队借助 AVI 评分筛选变异，发现了此前被忽略、与癫痫性脑病密切相关的 DNM1 基因变异，并且实验验证确认了该预测结果。
- 埃克塞特大学研究人员分析了英国生物样本库中超过 54000 名参与者的全基因组数据，通过 AlphaGenome Atlas 发现了多 22% 的非编码基因关联，并精准定位到调控关键蛋白质水平的特定变异。
这两个案例分别对应了两种典型场景：一类是小样本、强致病性的罕见病研究，另一类是大规模人群队列中的复杂性状分析。前者看重的是从大量候选变异中找出真正可能致病的少数目标；后者则依赖对海量基因组数据的系统筛选与解释能力。AlphaGenome Atlas 的价值，正体现在它能够同时服务这两类需求。
对 AI for Science 的启示：从“会做预测”走向“可持续供给”
过去几年，AI for Science 的讨论常常集中在单个模型能否完成某项任务，例如预测蛋白质结构、推断基因表达或识别致病突变。但 AlphaGenome Atlas 的发布提供了一个新的观察角度：真正能改变科研效率的，可能不只是模型本身，而是围绕模型形成的长期可用资源。
当一个模型被扩展为预计算数据库、评分体系和开放接口后，它就更容易嵌入真实研究流程。研究者不需要每次都从头运行复杂预测，而可以直接查询、比较和排序结果。这种方式降低了使用门槛，也提高了跨团队、跨项目复用数据的便利性。
对于药物靶点发现而言，这种变化同样值得关注。靶点研究常常需要理解某个基因区域、某类调控元件或特定变异如何影响分子表型。如果 AlphaGenome Atlas 能够在非编码区、基因调控和蛋白质影响之间建立更稳定的关联线索，那么后续在疾病机制分析和候选靶点筛选上的应用空间也会随之扩大。
目前，AlphaGenome Atlas 已通过门户网站和 AlphaGenome API 向学术研究开放，也可作为技能在 Google Antigravity 中使用。非商业研究可免费获取，后续还将在谷歌云开放商业使用权限。对基因组学和 AI 基础设施而言，这一步的关键并不只是“预测得更多”，而是让预测开始变成一种可以被广泛调用的公共能力。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-deepmind-fa-bu-alphagenome-atlas-wei-ji-yin-zu-yan
