Google DeepMind 今日正式发布了 AlphaGenome Atlas，这是一个规模空前的基因组学资源库。它包含了人类基因组中每一个可能的单核苷酸变异体（SNV）的分子效应预测，总计约 90 亿个“单字母”变化。
这一发布标志着基因组学研究从“按需计算”向“预计算查找表”范式的转变，旨在解决大规模基因组数据分析中的速度与成本瓶颈。
核心突破：从模型到全基因组图谱
此前于 2025 年 6 月发布的 AlphaGenome 模型能够精准预测 DNA 变异如何影响基因表达和 RNA 剪接，但每次只能处理单个变异或区域。面对人类基因组中潜在的 90 亿种单点突变，逐一运行模型既耗时又昂贵。
AlphaGenome Atlas 的解决方案：
DeepMind 团队在超级计算机上运行了 AlphaGenome 模型，对所有 90 亿个可能的 SNV 进行了预计算，生成了一个高达 1 PB 的数据集。
- 规模对比：该数据集比包含 2 亿多个蛋白质结构的 AlphaFold Database 大 30 倍以上。
- 价值：研究人员无需再等待漫长的模型推理，只需通过 API 或门户查询即可瞬间获取结果，极大地加速了罕见病诊断和群体遗传学研究。
Atlas 包含的四大核心资源
AlphaGenome Atlas 不仅提供原始数据，还通过以下四个维度为研究者提供深度洞察：
- 分子效应预测：
- 涵盖数百种人类和小鼠细胞类型及组织。
- 预测变异对基因调控多方面的影响（如启动子活性、增强子功能等）。
- AVI 评分 (AlphaGenome Variant Impact)：
- 统一排名指标：一个单一的数字，用于对变异体的预测影响进行排名。
- 全域覆盖：结合了 AlphaGenome（针对非编码区/调控区）和 AlphaMissense（针对编码区/蛋白质改变）的能力，使其在占基因组 98% 的非编码区和仅占 2% 的编码区均有效。
- AVI 特征归因 (Feature Attribution)：
- 可解释性：将 AVI 评分分解为可解释的贡献类别，如染色质可及性、剪接效率、序列保守性等。
- 机制洞察：研究者不仅能知道某个变异“有害”，还能知道它是通过破坏剪接位点还是改变转录因子结合来起作用的。
- 全基因组基序集合 (Motif Collection)：
- 汇编了超过 2,500 个重复短序列（如转录因子结合位点）及其基因组位置，帮助解析调控语法。
早期合作成果：验证与发现
在正式发布前，三个顶尖研究团队已利用 Atlas 取得了显著成果：
- 罕见病诊断 (Broad Institute)：
- 利用 AVI 评分重新评估了被忽略的变异，成功锁定 DNM1 基因中的一个致病突变。
- 机制验证：Atlas 预测该突变创建了一个错误的剪接位点，导致蛋白质异常延伸，这一预测随后得到了实验证实。
- 群体遗传学 (Exeter University / UK Biobank)：
- 分析了超过 54,000 名参与者的全基因组数据。
- 新发现：通过聚焦前 1% 高影响力的非编码变异，发现了比传统方法多 22% 的非编码关联，精确定位了影响体重指数（BMI）和蛋白质循环水平的调控变异。
- 调控语法解析 (Stowers Institute)：
- 利用基序资源区分了仅改变 DNA 可及性的转录因子与那些直接调控基因开关的因子，深化了对基因调控网络的理解。
访问与部署
- 学术用途：目前可通过免费的 Web 门户和 API访问，供非商业研究使用。
- 商业用途：底层 AlphaGenome 模型已通过 GitHub（学术）和 Google Cloud Model Garden（商业）开放。Atlas 数据的商业访问权限将在 Google Cloud 上“即将推出”。
- AI 集成：作为技能集成在 Google Antigravity中，方便 AI 代理直接调用基因组数据。
- 免责声明：该资源仅供研究使用，未经临床批准，不可直接用于医疗诊断。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
