论文与基础设施解读· 科学证据 · Frontier
AlphaGenome Atlas：DeepMind 预计算 90 亿种 DNA 变异，让罕见病候选先按影响分数排序
这是 DeepMind 熟悉的打法：先验证旗舰模型，再把大规模预测做成可查询基础设施。但 90 亿条预测解决的是推理与搜索成本，不是 90 亿条实验事实。
◆同行评审底层模型 + 官方技术稿 + 定向实验
当前边界：预计算降低了推理与搜索门槛，不会提高底层模型对缺失细胞类型、远距离调控、环境或临床因果的理解
这项工作推进的是：把全基因组变异效应预计算成可搜索、可排序的研究基础设施
- MODEL理解 / 预测
- DECIDE选择下一步
- INTERACT执行与测量
- UPDATE改变下一轮
Atlas 不只是一张数据库，而是四类资源叠起来的预测系统
2026 年 9 月 8 日，Google DeepMind 发布 AlphaGenome Atlas：把人类参考基因组中理论上所有可能的单核苷酸变异——约 90 亿种——对分子功能的预测预先计算出来，形成约 1 PB 的数据资源。非商业研究用户可以通过无需编程的网页查询，也可以通过 API 进行批量分析。[S2][S3][S6]
Atlas 的核心不是四个彼此独立的模型，而是四类相互连接的资源。第一层是 AlphaGenome 的分子效应预测。AlphaGenome 是已经过同行评审的 sequence-to-function 模型，输入最长 100 万碱基对的 DNA 序列，预测基因表达、RNA 剪接、染色质可及性、转录因子结合、组蛋白修饰和染色质接触等 11 类分子读出。Atlas 把这些原本需要逐个运行模型才能得到的结果提前算好；平均每个变异对应约 27,000 个实验与生物样本特异的标量预测，排除 active-allele 预测后约为 15,000 个。[S1][S6]
第二层是 AVI（AlphaGenome Variant Impact）分数。它不是简单的手工加权公式，而是另行训练的监督学习模型。AVI 使用 18 个输入特征：10 个按模态聚合的 AlphaGenome 特征、1 个 AlphaMissense 分数、3 个蛋白终止相关的 VEP 指标、2 个进化保守性分数，以及 2 个 indel 类型指标。模型用 gnomAD 中频率高于或低于 0.1% 的已观察变异分别作为“代理中性”和“代理有影响”的训练标签，再把输出转换为 PHRED 分数。[S6]
这个训练目标非常实用，但也埋下了一条重要边界：稀有不等于致病，常见也不等于绝对无害。AVI 学到的是在人群频率与多类分子效应之间建立的优先级分数，不是对临床致病性的直接判决。
第三层是 AVI feature attribution。团队使用近似 SHAP 方法，把 AVI 的原始分数分解为不同输入特征的正负贡献，帮助研究者判断一个高分究竟主要来自剪接、表达、染色质、蛋白质影响还是进化保守性。这里的 attribution 解释的是“模型为什么给出这个分数”，并不自动等于真实的生物因果机制。[S6]
第四层是 motif compendium。团队从 AlphaGenome 的归因信号中发现约 9 亿个候选调控模式，经过筛选和聚类得到 2,601 个 motif，并在不同细胞类型和模态中定位约 2,530 亿个 motif instances。它把“这个变异可能重要”进一步连接到“它可能破坏了哪一种局部调控语法”。[S6]
DeepMind 在发布时重点展示了两个应用。其一是在 GREGoR 的 814 名未解决病例中，用 AVI 排序出一名癫痫性脑病患者 DNM1 基因内的深层内含子变异。AlphaGenome 预测它会在脑相关转录本中产生异常剪接受体位点，团队随后用覆盖 265 个核苷酸、跨 5 种细胞系的 minigene 实验进行验证，相关证据支持作者建议将该变异归为 Likely Pathogenic。[S6]
其二是在 54,189 名 UK Biobank 参与者的 2,028 项循环蛋白水平分析中，用 Atlas 特征筛选罕见非编码变异后，显著且条件独立的聚合关联发现率提高了 22%；研究者还在 BMI 分析中报告了 19 个候选基因组区域，但这些仍是等待进一步验证的统计发现。[S2][S3][S6]
Google DeepMind 为 AlphaGenome Atlas 发布的官方主视觉。该图是对预测地图的概念表达，不是实验数据图；原图未修改。 [S3]
DeepMind 再次把一次性模型推理变成了可反复调用的基础设施
这套路径已经相当熟悉：先训练一个旗舰预测模型，再进行大规模预计算，最后把结果包装成研究者可以直接查询的公共资源。AlphaFold Database 在 2021 年开始提供蛋白质结构预测，随后扩展到超过 2 亿条已编目的蛋白质序列；AlphaMissense 在 2023 年预计算约 7,100 万种可能的人类错义变异；AlphaGenome Atlas 则把预计算扩展到全基因组编码区与非编码区约 90 亿种可能的单碱基替换。[S3][S4][S7]
把 Atlas 理解为“DeepMind 把 AlphaFold Database 的路在基因组上再走一遍”是有帮助的，但需要两个限定。三者共享的是模型基础设施化路径，不是相同的科学对象。AlphaFold Database 主要为已经编目、真实存在的蛋白质序列提供结构预测；AlphaMissense 和 AlphaGenome Atlas 更接近反事实地图，枚举大量“如果把这里换成另一个字母会怎样”的可能变化，其中许多记录可能从未在人群中出现。
这也不是简单复制，而是技术上的接续。AVI 的输入直接包含 AlphaMissense 输出，使 Atlas 同时利用蛋白质层面的错义变异分数和 AlphaGenome 的调控效应预测。它把上一代资源变成下一代系统的一个特征，而不是从头重新开始。[S6]
- AlphaFold Database｜预计算已编目的蛋白质序列，更接近已知对象的结构地图；主要证据目标是预测结构与实验结构的一致性。
- AlphaMissense｜预计算人类蛋白质中约 7,100 万种可能的错义变化，更接近编码区反事实变异地图；目标是判断变化是否可能破坏蛋白质功能。
- AlphaGenome Atlas｜预计算 hg38 上约 90 亿种可能的单核苷酸变异，是全基因组反事实效应地图；目标是预测变异对多类分子过程的影响。
WHAT CHANGED
- AI4S 层级
- Model（AlphaGenome 预测序列到分子功能）→ Search / Decision Support（Atlas 预计算、检索并排序候选变异）
- 原有瓶颈
- 大规模运行 sequence-to-function 模型需要代码、算力和复杂的数据处理；非编码变异又缺乏成熟的统一解释工具
- 这次改变
- 把约 90 亿种 SNV 的预测提前计算，并把分子效应、AVI 统一分数、特征归因和 motif 地图接到同一查询系统中
- 关键证据
- 约 90 亿｜hg38 上所有可能单核苷酸替换的预测总量
- 仍未解决
- 预计算不会补回缺失细胞类型、远距离调控、trans 机制、环境和发育因素，也不能取代实验与临床证据
90 亿次预计算扩大了覆盖，却没有自动提高证据等级
每个变异平均关联的实验特异性标量预测；排除 active-allele 后约 15,000[S6]
AVI 使用的输入特征数量[S6]
motif compendium 中的 motif / 全基因组 motif instance 数量[S6]
底层模型胜过外部模型的 sequence-track 评估，以及达到或超过最佳外部模型的变异效应评估[S1]
AVI 在 held-out saturation genome editing screens 中取得最高 Spearman 相关的数量[S6]
GREGoR 未解决病例中被系统排序的小型 de novo 变异病例数[S6]
2,028 项蛋白水平分析中显著、条件独立的罕见非编码变异聚合关联发现率增幅；不是已验证因果变异增幅[S6]
独立预印本中 AlphaGenome 相对 Enformer 显著胜出的 GTEx gene–tissue pair 比例[S5]
DeepMind 报告的 AlphaFold Database 研究者用户数 / 引用论文数，作为成熟基础设施参照[S8]
Atlas 从发布到本文写作经过的时间，尚不足以评估社区采用、独立复现或长期影响
非编码区占基因组约 98%，却长期缺少同等成熟的变异解释工具
人类基因组中只有约 2% 直接编码蛋白质。其余非编码区域包含大量调控元件，也包含功能尚不明确的序列；许多与性状和疾病相关的变异位于这里。相比编码区，非编码变异通常更难解释：它可能影响某一种细胞里的剪接、表达或染色质状态，也可能只在特定发育阶段、组织或环境下产生作用。[S3]
这不意味着编码区变异已经可以被轻易判定。编码区同样存在大量 VUS，只是已有的蛋白结构、保守性、功能注释和专用预测工具更丰富。非编码区缺少的是同等密度、同等可检索的功能证据，因此研究者经常已经拿到测序结果，却仍无法把某个候选变异连接到明确的分子机制。
DNM1 案例展示了 Atlas 最有说服力的使用方式。AVI 先从大量候选中提高一个深层内含子变异的优先级；AlphaGenome 随后给出脑细胞相关的异常剪接机制；研究团队再用文献、患者表型和 minigene 实验补齐证据链。需要注意的是，在这段局部剪接实验上，AlphaGenome / AVI 的 AUPRC 为 0.943，SpliceAI 和 Pangolin 分别达到 0.940 和 0.939。这里的主要优势不是局部准确率大幅领先，而是 Atlas 已经提前覆盖了这个位置，原有的 SpliceAI 预计算资源在 DNM1 exon 10a 周围没有提供相应结果。[S6]
这正说明 Atlas 的直接价值更接近搜索基础设施：不一定让某一个预测瞬间变得更准，却让更多研究者更快找到值得深入检查的候选，并看到预测由哪些分子模态驱动。对没有能力反复运行 1 Mb sequence model 的实验室，这种预计算可以实质降低进入门槛。
AlphaFold Database 提供了一个历史参照。DeepMind 报告其五年后已被 190 多个国家的 300 多万名研究者使用，其中超过 100 万来自中低收入国家；这说明把昂贵模型变成可直接访问的公共资源，本身就可能扩大科学能力的分布。但这只能支持“基础设施可能产生广泛采用”，不能据此推断 AlphaGenome Atlas 也会沿着同样速度产生疾病发现、临床诊断或药物成果。[S8]
一个湿实验个案、群体统计发现和 90 亿条预测，不是同一层证据
底层 AlphaGenome 的 benchmark 证据较成熟。
模型已发表于 Nature。最终论文报告，它在 24 项 sequence-track 评估中有 22 项超过外部模型，在 26 项变异效应评估中有 25 项达到或超过当时最佳外部模型。它最明确的优势是把 1 Mb 上下文、单碱基分辨率和多模态输出放进同一个模型，而不是在每一个单项任务上都大幅领先。[S1][S9]
AVI 的表现不是所有任务都领先。
在 ClinVar 内含子、同义和 3′ UTR 等类别上，AVI 的提升明显；但在 5′ UTR、非编码孟德尔病变异、fine-mapped GWAS 和 rare complex trait 等评估中，它与最佳方法相当或略低。例如非编码孟德尔病 benchmark 的 AUPRC 为 0.76，而 GPN-Star-M 为 0.77；fine-mapped GWAS 为 0.28 对 0.27。更准确的说法是“在多类 benchmark 上达到或接近最佳，并在部分非编码类别上明显改善”，而不是普遍领先。[S6]
DNM1 是一条较完整但仍局部的证据链。
AVI 在一名患者中把该变异排到首位，AlphaGenome 给出可检验的异常剪接机制，minigene 实验验证了这一机制，最终证据支持作者建议 Likely Pathogenic。它证明 Atlas 可以帮助解决具体病例研究中的候选排序问题，但仍不是前瞻临床试验，也不能推出对所有未诊断患者都具有同样效果。[S6]
UK Biobank 的 22% 是统计发现率，不是新增因果真相。
研究使用 54,189 名参与者的 2,028 项循环蛋白水平数据。Atlas-filtered aggregates 带来了 22% 的显著关联发现率提升，177 / 241 个在进一步条件分析后仍显著的聚合关联来自 Atlas 特征。但这些结果主要是统计遗传学信号，尚未逐个完成分子或临床验证；分析还使用了稍早版本的 Atlas 数据。复杂性状分析中，能够在 All of Us 获得足够变异计数的 25 / 31 个关联只有 4 个达到 nominal replication，且没有通过 Bonferroni 校正。[S6]
AVI 的统一分数来自有意的上下文压缩。
它把不同组织中的 AlphaGenome 预测取最大效应，再压缩进一个分数。这提高了跨全基因组排序的可用性，却牺牲了一部分细胞与组织语境。SHAP attribution 能解释哪些输入推动了 AVI 分数，但不能单独证明该特征在体内具有因果作用。
AlphaGenome 只能建模自己见过并被编码进训练数据的生物学。
配套技术稿明确列出：poly(A)-selected RNA-seq 会漏掉 non-polyadenylated RNA；许多相关细胞类型仍不存在；不同模态的细胞类型覆盖不均；模型主要学习 cis-regulatory grammar，不能直接表示由转录因子表达变化等造成的 trans 机制。超过有效上下文的远距离调控、个体基因组效应、遗传背景、发育过程和环境影响也仍然困难。[S1][S6]
已有的独立评估主要针对底层模型，而不是 Atlas。
一项使用 GTEx 953 人数据的独立预印本发现，AlphaGenome 明显优于 Enformer，却仍落后于直接在个体数据上训练的 Elastic Net 和 Random Forest。这个比较不能简单解释为“传统模型普遍胜过 AlphaGenome”，因为训练目标和可用数据不同；它更准确地说明，从 reference-sequence molecular prediction 迁移到 personal expression prediction 并不会自动完成。[S5]
外部专家肯定统一多任务能力，也警告单一分数容易被误读。
Science Media Centre 汇编的意见认为 AlphaGenome 工程水平很高，但单项任务常常只是与最佳专用工具相当，现阶段不足以直接用于患者护理。IEEE Spectrum 引述 UBC 基因组学家 Carl de Boer 指出，AVI 这种单一分数很有用，也容易被误读，因为它压缩的是一个包含许多活动部件的复杂系统。Nature 的发布报道同样将 Atlas 描述为预测资源，而不是实验或临床判决。[S9][S10][S11]
“基因组版 AlphaFold Database”的类比有明确边界。
AlphaFold Database 主要描绘已知蛋白质对象；Atlas 主要描绘可能突变的反事实后果。蛋白质结构可以与相对明确的实验坐标比较，基因组“功能”却分散在细胞类型、组织、模态和时间条件中，与“某个人是否患病”之间还有多层因果链。Atlas 的绝大多数假设性变异也不一定会获得真实人群观测，因此整体可验证性天然不同。官方明确说明，AlphaGenome 和 Atlas 仅用于研究，不能替代医学建议，尚未经过临床验证，也未获批用于临床决策。[S2][S3][S6]
EVIDENCE IN CONTEXT
- 编辑状态
- 前沿
- 证据场景
- 回顾性计算与定向湿实验
- 证据怎样产生
- 90 亿种 SNV 批量模型推理 · held-out functional screens · 统计分析与定向湿实验
- 来源与可检查性
- 同行评审底层模型 · 官方技术稿与数据资源 · 独立专家审视
- 证据上限
- 它证明了预计算可以扩大预测覆盖、改善部分排序并生成可检验假设；没有证明全基因组预测真实、临床有效或跨人群稳定。
- 谁做了什么
- 模型自动评分与归因；研究人员选择候选、解释结果并执行实验或临床判断
规模买回了推理与搜索成本，买不回缺失的生物学
“模型 → 大规模预计算 → 可查询资源”已经成为 DeepMind 反复使用的 AI4S 产品路径。
AlphaFold Database、AlphaMissense 和 AlphaGenome Atlas 的科学对象不同，但都把只能由少数团队承担的昂贵推理，转化成更多研究者可以直接调用的基础设施。AlphaGenome Atlas 是这条路径在全基因组变异空间中的一次显著扩张。
预计算改变的是模型进入工作流的方式，不是模型本身的能力。
Atlas 不需要重新训练一个更大的 AlphaGenome，就能让研究者从“先选一个变异、再申请算力运行模型”转向“先查询全局地图、再决定深入检查什么”。这使系统从 Model 向 Search / Decision Support 前进了一步，但它仍然不负责提出最终医学结论，也没有自动执行实验和根据结果更新模型。
规模会同时放大模型的价值和盲区。
当一个模型被运行 90 亿次，推理成本和覆盖瓶颈被显著降低；但训练数据缺失的细胞类型、没有被测量的 RNA、trans 机制、遗传背景、发育和环境因素也会被系统性地复制到整张地图上。算力可以买回搜索范围，不能从不存在的观测中恢复真实生物学。
AlphaFold Database 是已知对象的地图，AlphaGenome Atlas 更像可能变化的地图。
前者回答“这个已知蛋白质可能长什么样”，后者回答“如果这里发生一种替换，模型认为会改变什么”。反事实地图更适合筛选和生成假设，也更需要读者区分 prediction、association、mechanism 和 clinical evidence。
单一分数的可用性与误读风险来自同一项设计。
AVI 把 18 个特征压缩成一个可排序的数字，使非专业用户也能快速缩小候选范围；但这个数字混合了分子预测、蛋白影响、保守性和人群频率代理。它最适合回答“先看哪个”，不适合独立回答“哪个一定致病”。规模可以降低推理、覆盖和搜索成本，却不能补回在测量、数据收集和生物表征中已经缺失的信息。
资料来源
本文主要依据同行评审论文、Atlas 官方技术稿与数据发布，并以独立预印本、专家评论和新闻报道检查其证据边界。
- S1Advancing regulatory variant effect prediction with AlphaGenomeNature · 2026.01.28 · 同行评审论文
- S2AlphaGenome Atlas: a high-resolution map of human DNAGoogle Blog · 2026.09.08 · 官方发布
- S3AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genomeGoogle DeepMind · 2026.09.08 · 官方详细介绍与图片来源
- S4A catalogue of genetic mutations to help pinpoint the cause of diseasesGoogle DeepMind · 2023.09 · AlphaMissense 发布公告
- S5AlphaGenome Enhances Personal Gene Expression Prediction but Retains Key LimitationsbioRxiv · 2026.04 · 独立预印本，非同行评审
- S6AlphaGenome Atlas: Molecular predictions for 9 Billion human DNA variantsGoogle DeepMind · 2026.09 · 官方技术稿，未注明同行评审
- S7Accurate proteome-wide missense variant effect prediction with AlphaMissenseScience · 2023.09 · 同行评审论文
- S8AlphaFold: Five years of impactGoogle DeepMind · 2025.11.25 · 官方五年回顾；采用量为 DeepMind 报告口径
- S9Expert reaction to paper on Google DeepMind’s AlphaGenomeScience Media Centre · 2026.01.28 · 外部专家反应汇编
- S10Google DeepMind Maps 9 Billion Possible DNA VariantsIEEE Spectrum · 2026.09.08 · 新闻报道与独立专家评论
- S11DeepMind’s new genome ‘atlas’ charts effects of all nine billion human gene mutationsNature · Ewen Callaway · 2026.09.09 · 独立新闻报道