AlphaGenome Atlas：覆盖90亿种DNA突变的AI基因组图谱

一张覆盖90亿种DNA突变的AI图谱

Google DeepMind近日推出了AlphaGenome Atlas，一个由AI驱动的人类基因组突变影响预测图谱。这个项目的核心目标在于——为人类基因组中所有可能的单碱基突变建立一张完整的预测地图。

人类基因组约含30亿个碱基对，每个碱基位点理论上都可以突变为其他三种碱基（A、T、C、G之间的替换）。这里的"碱基对"指的是DNA双螺旋结构中两条链之间通过氢键配对的碱基——腺嘌呤(A)与胸腺嘧啶(T)配对（两个氢键），鸟嘌呤(G)与胞嘧啶(C)配对（三个氢键）。这种互补配对原则由Watson和Crick于1953年提出，是DNA复制和遗传信息传递的分子基础。人类基因组的30亿碱基对分布在23对染色体上，总长度约2米，但通过层层折叠压缩进直径仅约6微米的细胞核中。这意味着单核苷酸变异（SNV）的组合总数高达约90亿种。所谓单核苷酸变异，是指基因组中某个位置的单个碱基发生改变，例如A变为G。值得注意的是，SNV与更常见的术语SNP（单核苷酸多态性）有所区别：SNP通常指在群体中频率超过1%的常见变异，而SNV则涵盖所有单碱基替换，包括罕见突变和个体特有的新发突变。SNV的产生机制多样，包括DNA复制过程中DNA聚合酶的碱基配对错误（约每10^9-10^10个碱基复制发生一次错误）、紫外线或化学物质导致的碱基化学修饰、以及DNA修复机制的缺陷等。根据对蛋白质编码的影响，编码区的SNV可进一步分为同义突变（不改变氨基酸）、错义突变（改变一个氨基酸）和无义突变（产生提前终止密码子），它们的功能后果差异巨大。

SNV是人类基因组中最常见的遗传变异类型，据估计每个人的基因组中约携带400-500万个SNV。其中大多数是中性的，不会产生明显的功能影响，但少数关键位点的突变可能导致蛋白质功能改变、基因调控紊乱，进而引发疾病。区分哪些SNV是「良性的」，哪些是「致病的」，正是精准医学面临的核心挑战之一。

AlphaGenome Atlas通过预先计算AlphaGenome模型对这全部90亿种可能突变的预测结果，形成了一个规模达**1PB（1000TB）**的庞大数据集。1PB相当于约100万GB，大致等同于2亿张高清照片或13年不间断的高清视频录像的数据量。在生物信息学领域，处理PB级数据集需要分布式存储系统和高效的索引检索架构，传统的关系型数据库在这一规模下往往力不从心，通常需要采用列式存储格式（如Parquet或Zarr）以及分片索引策略来实现毫秒级查询响应。AlphaGenome Atlas能够将如此大规模的预计算结果组织为可检索的知识库，本身就是一项重要的数据工程成就。

这一产品在Product Hunt上线后获得了105个投票，位列当日榜单第6名，被归类于「健康健身」与「人工智能」两大领域。

非编码区突变预测：破解基因组98%的「暗物质」

在基因组学研究中，理解突变的实际功能后果一直是核心难题。传统基因研究大多聚焦于编码区——直接指导蛋白质合成的DNA片段。然而，人类基因组中约98%的序列属于非编码区，它们不直接编码蛋白质，却承担着调控基因表达、控制何时何地开启或关闭基因等关键功能。

非编码区曾长期被误称为「垃圾DNA」，但过去二十年的研究已经彻底改变了这一认知。特别是ENCODE（DNA元件百科全书）计划——于2003年启动，由美国国家人类基因组研究所（NHGRI）资助——旨在系统性地识别人类基因组中所有功能元件。研究发现，非编码区包含大量具有生物学功能的序列，包括增强子（可远距离激活基因表达，有时距离目标基因数十万甚至上百万碱基）、沉默子（抑制基因表达）、启动子（控制基因转录起始）以及非编码RNA基因等。这些调控元件通过三维染色质构象（如拓扑关联结构域TAD）与远距离的目标基因产生物理接触，从而实现精密的时空调控。理解这些调控元件的功能离不开对表观基因组的认知——表观基因组是指不改变DNA序列本身但影响基因表达的化学修饰系统，主要包括DNA甲基化（在CpG位点的胞嘧啶上添加甲基基团）和组蛋白修饰（如乙酰化、甲基化等翻译后修饰）。染色质可及性——即DNA序列对转录因子和其他调控蛋白的物理可接近程度——是衡量调控元件活性状态的关键指标：当染色质处于开放状态时，相关基因更可能被转录；紧密包装的异染色质区域则通常处于沉默状态。ATAC-seq和DNase-seq等实验技术可用于全基因组水平检测染色质可及性，这些实验数据也是训练AlphaGenome等基因组AI模型的重要标签来源。

更关键的是，全基因组关联研究（GWAS）发现的疾病相关变异中，约90%位于非编码区。GWAS是一种通过比较患病人群与健康人群的基因组差异来寻找疾病相关遗传位点的统计学方法，自2005年首个GWAS发表以来，已鉴定出超过数十万个疾病或性状相关的遗传位点。然而，GWAS发现的「显著信号」往往只是统计关联，而非因果关系——由于连锁不平衡（LD，指相邻遗传变异倾向于被一起遗传的现象），一个GWAS信号区域内可能包含数十到数百个紧密连锁的变异，其中真正的「因果变异」往往难以确定。更棘手的是，GWAS发现的所有显著位点加在一起，通常只能解释某种疾病遗传度的一小部分，这一现象被称为「失落的遗传力」（missing heritability），其部分原因可能在于大量效应微弱的非编码变异尚未被检出或正确解读。由于缺乏有效的功能注释工具，这些非编码区变异的生物学意义长期难以解读，这正是基因组学中「暗物质」问题的核心所在。

AlphaGenome Atlas的一个突出价值，正是它同时覆盖了编码区与非编码区的变异影响预测。对于研究者而言，这意味着可以在过去难以解读的非编码区域中，快速定位那些可能具有生物学意义的变异位点，为破解GWAS信号中的因果变异和填补失落遗传力提供新的计算工具。

从「逐个测算」到「即查即用」的范式转变

这个项目最具工程意义的设计是「预计算」策略。以往研究者若想用AI模型评估某个突变的影响，需要针对每个变异逐一运行模型推理，既耗时又消耗算力。而Atlas提前将所有90亿种可能突变的预测结果算好并存储下来，研究者只需查询即可获得结果。

这种「用存储空间换实时算力」的策略，在计算机科学中属于经典的「空间换时间」（space-time tradeoff）思想，在AI领域有着广泛应用。例如，搜索引擎通过预先构建倒排索引来加速查询，推荐系统通过离线计算用户-物品评分矩阵来实现实时推荐。在AI for Science领域，预计算策略尤其适用于模型推理成本高但查询模式可预见的场景。DeepMind此前的AlphaFold蛋白质结构数据库同样采用了这一策略——预先计算了超过2亿个蛋白质的结构预测并公开存储，使全球研究者无需自行运行模型即可获取结果。这种范式本质上是将AI模型的「推理能力」转化为「数据产品」，把原本高门槛的AI预测能力转化为一个可随时检索的知识库，极大降低了使用门槛。

AlphaGenome模型：基因组AI基础模型的新进展

理解AlphaGenome Atlas的价值，需要先了解其背后的AlphaGenome模型。AlphaGenome属于基因组基础模型（Genomic Foundation Model）这一新兴类别。与传统的变异效应预测工具（如SIFT、PolyPhen-2）通常只关注蛋白质编码区的氨基酸替换不同，基因组基础模型直接以DNA序列为输入，通过深度学习从原始序列中学习基因调控的「语法规则」。

在AlphaGenome之前，这一领域已有多个代表性模型。Google DeepMind于2021年发布的Enformer采用Transformer架构，能够从DNA序列预测基因表达和染色质可及性等表观基因组特征，其上下文窗口约为200kb（20万个碱基对）。Transformer架构最初由Google于2017年在论文"Attention Is All You Need"中提出，用于自然语言处理任务。其核心创新是「自注意力机制」（self-attention），允许模型在处理序列时同时关注所有位置的信息，从而捕捉长距离依赖关系。这一特性使Transformer特别适合基因组学应用——因为基因调控往往涉及远距离的序列元件互作（如增强子与启动子之间的长程调控可跨越数十万碱基）。将DNA序列类比为「生物语言」，碱基或k-mer（k个连续碱基组成的短序列）类比为「词元」(token)，基因组基础模型本质上是在学习基因组的「语法和语义」规则。

哈佛大学和Broad研究所开发的Sei模型则专注于预测非编码变异对染色质状态和基因调控的影响。此外还有Nucleotide Transformer、DNABERT-2等基于大语言模型范式训练的DNA序列模型。AlphaGenome在这些前辈的基础上进一步扩展，据报道具备更长的上下文窗口（可达百万碱基级别）和更多样的预测输出类型（涵盖基因表达、剪接、染色质可及性、转录因子结合等多种分子表型），使其对变异影响的预测更加全面。正是这种多维度的预测能力，使得Atlas中每个变异的预测结果不仅仅是一个简单的「有害/无害」标签，而是涵盖多个分子层面的影响谱系。

AlphaGenome Atlas的三种访问方式

AlphaGenome Atlas提供了分层的访问路径，适配不同深度的研究需求：

• 可视化网页界面：免费开放，任何人都可以通过浏览器探索这张突变图谱，直观查看不同区域的变异影响预测。
• API接口：面向需要程序化调用、批量分析的研究者，可将预测结果整合进自己的研究流程。
• Antigravity访问：面向更深入的研究场景，提供更强的探索与分析能力。

这种设计体现了DeepMind一贯的开放策略——基础能力免费可用，同时为专业研究者保留深度接口。这一分层模式与AlphaFold数据库的开放策略一脉相承：AlphaFold数据库自2021年上线以来，已被全球190多个国家和地区的超过200万研究者访问使用，证明了「AI预测结果公共化」这一模式在推动科学研究方面的巨大价值。

对生物医学研究和临床基因组学的实际意义

AlphaGenome Atlas的核心价值，不在于给出确定的诊断结论，而在于为研究者提供一个**变异优先级排序（variant prioritization）**工具。

在临床全基因组测序（WGS）或全外显子组测序（WES）中，一个患者的基因组通常会检出数百万个变异位点，其中绝大多数是常见的、无害的多态性。临床遗传学家的任务是从中筛选出可能致病的候选变异，这一过程称为变异优先级排序。临床实践中，遗传变异的解读遵循美国医学遗传学与基因组学学会（ACMG）于2015年发布的变异分类指南，该指南将变异分为五个等级：致病的（Pathogenic）、可能致病的（Likely Pathogenic）、意义不明的（Variant of Uncertain Significance, VUS）、可能良性的（Likely Benign）和良性的（Benign）。分类依据涵盖群体频率数据、计算预测结果、功能实验证据、遗传共分离数据等多维度证据。

传统的计算预测方法依赖于频率过滤（排除在gnomAD等大型群体数据库中常见的变异）、功能注释（如SIFT通过进化保守性预测氨基酸替换的耐受性，PolyPhen-2通过序列和结构特征预测蛋白质损伤），以及与已知致病变异数据库（如ClinVar——由NCBI维护的公共数据库，收录了超过200万条变异-疾病关系条目）的比对。gnomAD（Genome Aggregation Database）是由Broad研究所维护的全球最大的人类外显子组和基因组变异数据库，目前最新版本（v4）包含超过80万个个体的外显子组数据和超过7.6万个个体的全基因组数据。gnomAD的核心价值在于提供跨种族的等位基因频率信息——如果某个变异在gnomAD中的群体频率较高（如>1%），通常认为它不太可能是导致严重遗传病的致病变异，因为自然选择会在一定程度上清除严重有害的高频变异（纯化选择）。但对于新发突变（de novo mutation，即父母均不携带、在子代中新出现的突变，每个人约携带50-100个新发突变）和非编码区变异，传统工具的能力十分有限。VUS在临床实践中是一个令人困扰的灰色地带——它意味着现有证据不足以判断该变异是致病的还是良性的，临床医生既不能据此做出诊断，又不能完全排除其致病可能性。在某些遗传病的基因检测中，VUS的比例可高达30%-50%。AI模型通过学习大规模基因组数据中的序列模式和进化约束信号，有望为VUS的重新分类提供新的计算证据层。

借助AlphaGenome Atlas这张图谱，研究者可以先用AI预测快速筛选，把最有可能产生功能影响的变异挑出来，再投入宝贵的实验资源。本质上，这是把AI作为一个「加速漏斗」，让有限的湿实验能力用在最关键的位点上。例如，利用CRISPR-Cas9基因编辑技术或高通量报告基因检测（Massively Parallel Reporter Assay, MPRA）验证单个变异的功能影响，成本和时间投入都很大，因此高质量的计算预筛选对提高实验效率至关重要。CRISPR-Cas9系统源自细菌的适应性免疫机制，由Jennifer Doudna和Emmanuelle Charpentier于2012年改造为通用基因编辑工具（二人因此获得2020年诺贝尔化学奖）。该系统通过一段向导RNA（guide RNA）引导Cas9核酸酶精确定位到基因组中的特定位点并进行切割，配合细胞自身的DNA修复机制实现碱基插入、删除或替换。在变异功能研究中，「碱基编辑器」（Base Editor）和「先导编辑器」（Prime Editor）等新一代工具可以在不产生双链断裂的情况下实现精确的单碱基替换，特别适合验证AlphaGenome Atlas预测的SNV功能影响。而MPRA则是一种可同时测试数千甚至数万个调控序列变体活性的高通量实验方法，通过将候选调控序列与条形码报告基因偶联并批量导入细胞，利用RNA测序读取各条形码的表达量来定量评估每个序列变体的调控活性。

AI预测的能力边界

需要强调的是，AlphaGenome Atlas提供的是预测而非确证。AI模型的预测结果反映的是统计规律与模式识别，与真实生物学后果之间仍存在差距。深度学习模型在训练过程中可能学到数据中的偏差（如训练数据中欧洲裔人群比例过高导致对其他种族变异的预测精度下降）、进化保守性信号（倾向于将保守位点的突变预测为有害，但这并不等同于致病性），以及序列上下文中的技术伪影。任何关键的科学结论，仍需通过实验验证。因此，它更适合被定位为研究的「起点」与「导航工具」，而非终点。

此外，如此庞大的预测数据集，其准确性会随不同基因组区域、不同类型变异而有所差异。例如，模型在高GC含量区域、重复序列区域、以及结构变异断点附近的预测可靠性可能会降低。研究者在使用时需结合具体场景审慎判断，并参考多种预测工具的综合结果而非单一依赖某一模型。

从AlphaFold到AlphaGenome Atlas：DeepMind的生命科学版图

从AlphaFold破解蛋白质结构预测，到AlphaGenome及其Atlas图谱试图解读基因组变异，DeepMind正在系统性地将AI能力延伸到生命科学的核心问题上。

AlphaFold是DeepMind在生命科学领域最具里程碑意义的项目。2020年，AlphaFold2在蛋白质结构预测竞赛CASP14中取得了突破性成绩，将预测精度提升到接近实验测定的水平，解决了困扰生物学界50年的「蛋白质折叠问题」。2022年，DeepMind发布了AlphaFold蛋白质结构数据库，覆盖了超过2亿个蛋白质的预测结构，相当于几乎所有已知蛋白质序列。2024年，AlphaFold的开发者Demis Hassabis和John Jumper因此获得诺贝尔化学奖。2024年发布的AlphaFold3进一步扩展了预测范围，不仅能预测蛋白质的结构，还能预测蛋白质与DNA、RNA、小分子药物等生物分子的复合物结构，向药物设计领域迈进了重要一步。

从蛋白质结构到基因组变异，DeepMind的战略逻辑清晰可见：沿着分子生物学的中心法则（DNA→RNA→蛋白质），逐层用AI建立预测能力，最终构建一个从基因序列到分子功能的完整AI预测链条。中心法则由Francis Crick于1958年首次提出，描述了遗传信息在生物体内的流动方向：DNA通过转录生成信使RNA（mRNA），mRNA再通过翻译在核糖体上合成蛋白质。这条信息流构成了分子生物学的基本框架。虽然后续研究发现了逆转录（RNA→DNA，如HIV病毒）、RNA自我复制、表观遗传修饰等对中心法则的补充和修正，但DNA→RNA→蛋白质的主线仍然是理解基因功能的核心路径。DeepMind的布局正是沿着这条主线展开：AlphaGenome对应DNA层面（预测序列变异对基因调控的影响），AlphaFold对应蛋白质层面（预测氨基酸序列折叠为三维结构的过程），未来可能还会出现连接RNA剪接、蛋白质翻译后修饰等中间环节的AI模型，逐步拼合成一条从基因型到表型的完整预测链。

AlphaGenome Atlas以一个PB级、覆盖全部可能单碱基突变的数据集，把「预测每一个突变的影响」从理论构想变成了可检索的现实工具。

对于基因组学研究社区来说，这不仅是一份数据资源，更释放了一个明确的信号——AI预测正在成为生物学探索不可或缺的第一步。随着基因组基础模型的预测精度持续提升、预计算覆盖范围不断扩大，我们正在接近一个新的范式：在设计实验之前，先在AI预测图谱中进行「虚拟筛选」，将成为生命科学研究的标准流程。