Google DeepMind 发布全新 Atlas，绘制 90 亿个人类 DNA 变异图谱助力疾病研究
新闻摘要
2026 年 9 月 8 日（美国东部时间）星期二，Google DeepMind 发布了 AlphaGenome Atlas，这是一项免费在线资源，提供了人类基因组中约 90 亿种可能的单碱基 DNA 变化所产生分子效应的预计算预测结果。Atlas 基于 DeepMind 的序列到功能 AI 模型 AlphaGenome 构建，旨在让科学家无需自行运行新的计算，即可即时查询特定遗传变异可能如何干扰基因调控。研究人员表示，这一转变有望显著加快寻找疾病遗传根源的速度。
Atlas 包含的内容
Atlas 由约 1 PB 的预测数据构建而成，DeepMind 称其规模是该公司在 2022 年扩展的 AlphaFold 蛋白质结构数据库的 30 多倍。针对 90 亿种可能的变异，该资源提供了数千项分子效应预测，涵盖数百种人类和小鼠细胞类型及组织中基因调控的多个方面。它还包含超过 2500 个已识别的 DNA 序列基序，以及变异与其影响的功能序列之间的直接关联。
其中一项核心功能是 AlphaGenome Variant Impact（AVI）评分，这是一个统一的数值，将 AlphaGenome 的输出结果与 AlphaMissense（DeepMind 此前用于预测蛋白质编码突变影响的模型）的输出结果相结合。借助 AVI 评分，研究人员可以快速对变异进行排序并确定优先级，范围既包括约占基因组 2% 的蛋白质编码区，也包括其余 98% 的非编码区——目前已知的多数疾病和性状相关变异都位于这些非编码区域，而历史上它们一直更难解读。
工作原理
底层模型 AlphaGenome 由 DeepMind 于去年首次推出，是一个序列到功能系统：它会读取一段 DNA（DeepMind 称最长可达变异位点周围约 100 万个碱基对），并预测单碱基变化会如何改变基因调控，例如产生错误的剪接位点或破坏调控元件。Atlas 无需研究人员逐个变异地查询模型，而是预先计算并存储基因组中所有可能替换的预测结果，将原本繁重的计算任务转化为简单的查询操作。
DeepMind 科学副总裁 Pushmeet Kohli 表示，此次发布意味着“全球任何研究人员只需打开浏览器，就能访问人类基因组及其变异的完整图谱”。该项目基因组学负责人 Žiga Avsec 将 Atlas 描述为“一个起点”，认为它在同时涉及多个变异的研究中尤为有用，AVI 评分可帮助科学家“确定变异的优先级，努力在大海捞针中找到目标”。
早期科学应用
DeepMind 与外部团队已在真实研究课题上测试了 Atlas。Broad Institute 的研究人员利用 AVI 评分协助识别出 DNM1 基因中与一种严重癫痫性脑病相关的变异；Atlas 显示该变异产生了错误的剪接位点，研究团队称这一预测随后得到了实验室实验的支持。在 University of Exeter，研究人员使用新评分对约 54,000 名 UK Biobank 参与者进行分析，发现的与蛋白质水平相关的非编码遗传关联比原有方法多出 22%，其中包括与衰老（靠近 PLA2G7 基因）和细胞氧感知（EGLN1）相关的变异，以及 19 个可能与身体质量指数相关的遗传区域。在 Stowers Institute，科学家利用该资源按照转录因子（负责开启和关闭基因的蛋白质）的具体调控作用对其进行分类。
UC San Diego 的精神科遗传学家 Jonathan Sebat 表示，该工具可以简化日常实验室工作：“我们实验室自身的工作流程可以大幅简化，因为我们实际上不需要计算任何东西。我们真的可以直接查到一切。”
独立专家评价
英国 Science Media Centre 召集的外部科学家给出了总体积极但较为审慎的评价。伦敦 Institute of Cancer Research 首席执行官 Kristian Helin 称 AlphaGenome 是“计算基因组学领域的一项重大进展”，并将其长期意义与 AlphaFold 对结构生物学的影响相提并论。Francis Crick Institute 基因组学负责人 Robert Goldstone 表示，该模型标志着非编码 DNA 预测“从理论走向实用”，尤其是在剪接位点预测方面，但他也提醒“AlphaGenome 并非解决所有生物学问题的灵丹妙药”。
其他研究人员则更为谨慎。King's College London 医学与分子遗传学讲师 Xianghua Li 表示：“当我们审视每一项预测时，这款 AI 的表现与现有最佳工具相当，但并未超越”，并强调这些预测“尚未达到临床可用标准”。Wellcome Sanger Institute 的 Ben Lehner 称其团队进行了超过 50 万次实验来检验模型性能，他认同模型表现强劲，但指出“AlphaGenome 远非完美，仍有许多工作要做”，并将数据质量和标准化视为持续存在的挑战。Imperial College London 的 Aldo Faisal 建议在获得独立重复验证之前，将这些结果视为有前景的初步成果。
DeepMind 承认的局限性
DeepMind 明确表示，Atlas 是研究工具而非诊断工具。其文档指出：“Atlas 和 AVI 是预测分子效应的研究工具，只能作为通向临床诊断的证据链的一部分”，并且 AlphaGenome“尚未经过任何临床用途的验证，也未获批用于任何临床用途”。该公司还承认底层模型存在不足，包括训练数据中缺少某些细胞类型，以及未覆盖非多聚腺苷酸化 RNA，并将当前版本描述为“一个基准，随着底层模型的改进将变得更加精确”。由于模型的视野仅限于变异位点周围约 100 万个碱基对，它也可能遗漏远端调控元件的影响——已知其中一些元件能在超过 10 万个 DNA 碱基之外影响基因。
访问与获取方式
AlphaGenome Atlas 网站已于 2026 年 9 月 8 日开放，供免费、非商业学术研究使用，同时在 GitHub 上提供了 AlphaGenome API，并为 DeepMind 的智能体开发平台 Google Antigravity 推出了新技能。DeepMind 表示，通过 Google Cloud 提供的商业访问即将上线，AVI 评分的静态下载版本也将以足够宽松的许可协议发布，允许商业和非商业用途。该数据集建立在现有公共资源之上，整合了来自 gnomAD、UK Biobank 和 All of Us 研究计划的变异信息，而非取代它们。
重要意义
Atlas 延续了 DeepMind 凭借 AlphaFold（其底层方法荣获 2024 年诺贝尔化学奖）确立的模式：将以往缓慢且高度依赖专业知识的科学任务转变为可检索的公共数据库。AlphaFold 绘制了超过 2 亿个蛋白质的形状，而 Atlas 的目标则是规模更大、认知更少的非编码基因组。科学家认为，许多复杂疾病（从癌症到 Tay-Sachs 病和镰状细胞贫血等遗传性疾病）的遗传因素仍有待在这些区域中发现。研究人员提醒，该工具不会取代实验室实验或临床判断，但许多人将其视为一种手段，可将庞大的搜索范围缩小到最值得优先研究的变异上。