DeepMind据称发布AlphaGenome Atlas：预计算90亿DNA变异，基因组AI迈向可验证发现
· 来源：innovatopia.jp
Google DeepMind推出覆盖约90亿种人类单核苷酸变异的AlphaGenome Atlas，把高成本的变异效应推理转为可查询数据，但其临床与跨人群价值仍有待更多独立验证。
Google DeepMind于2026年9月8日发布AlphaGenome Atlas。据DeepMind团队公布的信息，该平台预计算了人类参考基因组hg38上约90亿种可能的单核苷酸变异（SNV）的分子效应预测，并以数据库、可视化门户和API形式提供。这意味着研究者不必再为每个候选变异单独运行模型，而可直接检索结果，为罕见病研究、非编码变异筛选和实验优先级排序提供一套大规模基础设施。
Atlas建立在DeepMind此前发布的基因组模型AlphaGenome之上，并引入AlphaGenome Variant Impact（AVI）评分。该评分综合AlphaGenome、AlphaMissense、保守性及蛋白质功能注释等18项特征，试图同时覆盖编码区和长期较难解释的非编码区变异。报道显示，数据规模约为1PB；除全部可能的SNV外，平台还纳入了gnomAD、UK Biobank和All of Us等资源中观察到的超过1亿个插入缺失变异预测。学术研究可非商业免费使用，商业使用安排则尚待进一步明确。
这类预计算资源的关键不只在于“更多预测”，还在于缩短从计算到实验的路径。DeepMind与GREGoR联盟合作的一项病例分析中，研究人员在814名未解决遗传病患者中，借助AVI对新发变异排序，锁定一名癫痫性脑病患者DNM1基因内含子中的变异。模型预测该变异会在脑组织形成异常剪接位点；后续报告基因实验在多个细胞系中验证了相关外显子延长现象。该案例提示，AI预测可帮助研究人员决定该检查哪种组织、优先验证哪些机制，而非直接替代功能实验或临床判读。
在群体研究中，英国埃克塞特大学团队将Atlas特征用于UK Biobank的全基因组与血浆蛋白数据分析。报道所述结果显示，先按模型特征筛选再聚合罕见非编码变异，可发现更多统计信号；其中“增加22%”指向独立非编码变异聚合信号的检出提升，并不等同于非编码基因组被“解释了22%”。研究者也提示，复杂性状尚未被充分评估，部分关联在All of Us中的复现有限，稀有变异关联的跨队列重复仍是难题。
更重要的边界在于，Atlas输出的是分子层面效应预测，而不是致病性结论。细胞类型、组织状态、遗传背景和实验读出都会改变一个变异的实际意义；AVI在部分非编码基准上表现突出，但并非在所有类别中领先。其训练、评估和应用资源也主要来自欧美大型队列，面对不同遗传祖先群体——包括中国及东亚人群——仍需要本地队列、临床表型与湿实验进行系统校准。
如果后续数据、方法细节及独立复现持续得到验证，AlphaGenome Atlas的意义将类似于把模型推理能力封装为公共查询层：AI不再只给出单个候选答案，而是帮助遗传学家在海量变异中形成可检验的假设和实验清单。它能否真正推动遗传病诊断和药物靶点发现，最终仍取决于预测、队列证据与生物学实验能否构成闭环。
—— 综合整理自：Google DeepMind AlphaGenome Atlas团队信息、innovatopia.jp、aipulse.run、小宇宙BestBlogs