https://guijiagi.com/tags/%E5%9F%BA%E5%9B%A0%E7%BB%84%E5%AD%A6/Recent content in 基因组学 on AI 实战派 · 从技术到赚钱Hugozh-cn本站内容采用 CC BY-NC-SA 4.0 国际许可协议授权Mon, 14 Sep 2026 10:00:00 +0800https://guijiagi.com/posts/deepmind-alphagenome-atlas-1pb/Mon, 14 Sep 2026 10:00:00 +0800https://guijiagi.com/posts/deepmind-alphagenome-atlas-1pb/<h2 id="从蛋白质到dnaalpha系列的下一步">从蛋白质到DNA：Alpha系列的下一步</h2> <p>2021年，DeepMind的AlphaFold把蛋白质结构预测变成了常识，几乎凭一己之力改写了结构生物学。五年后，DeepMind把同样的逻辑搬到了更上游的位置——<strong>基因组</strong>。</p> <p>2026年9月，DeepMind发布<strong>AlphaGenome Atlas</strong>：一个预计算了约<strong>90亿个单字母遗传变化</strong>调控影响的数据库，总数据量高达<strong>1PB</strong>，面向学术研究免费开放。</p> <p>如果说AlphaFold回答的是&quot;蛋白质长什么样&quot;，AlphaGenome回答的就是&quot;基因组里这一个字母变了，会发生什么&quot;。</p> <h2 id="90亿个如果是什么概念">90亿个&quot;如果&quot;是什么概念</h2> <p>人类基因组大约有30亿个碱基对。现实中，人类群体里已观测到的、潜在的单字母变异（SNV）数量是天文数字。长期以来，遗传学家只能针对少数被研究的变异做实验，绝大多数变异的影响是黑箱。</p> <p>AlphaGenome Atlas做的事，是把这个黑箱<strong>提前算好</strong>：</p> <ul> <li>对约<strong>90亿个单字母遗传变化</strong>，逐一预测其对基因调控的影响；</li> <li>用统一的<strong>AVI评分</strong>（一种衡量变异调控影响强度的量化指标）来刻画每个字母变化的后果；</li> <li>以<strong>1PB</strong>数据集的形式，向学术界开放。</li> </ul> <blockquote> <p>数据来源：DeepMind AlphaGenome Atlas发布，2026年9月</p></blockquote> <p>这相当于给人类基因组建了一张&quot;单字母扰动地图&quot;。过去要在实验室里测一个变异，可能要几周；现在研究者可以直接在数据库里检索——这个突变对某个组织、某个基因的调控，是强增强还是强抑制？</p> <h2 id="avi评分把影响变成可比较的数字">AVI评分：把&quot;影响&quot;变成可比较的数字</h2> <p>传统遗传分析里，&ldquo;某个变异有没有害&quot;往往是定性的、吵来吵去的。AlphaGenome Atlas的关键贡献之一，是把这种判断变成了<strong>可比较、可排序、可筛选的连续分数</strong>。</p> <p>这在临床上尤其有用。罕见病医生经常遇到这种困境：患者测了全基因组测序，发现几十个&quot;意义未明变异（VUS）&quot;，到底哪一个才是致病元凶？有了AVI评分，医生可以按影响强度排序，把最可疑的几个优先做功能验证，诊断路径从&quot;大海捞针&quot;变成&quot;按图索骥&rdquo;。</p> <h2 id="1pb的工程意义">1PB的工程意义</h2> <p>1PB（100万GB）不只是一个炫目的数字。它背后是一整套基础设施：</p> <ul> <li>预计算而非现算——把昂贵的推理成本一次性付清，让全球研究者免费调用；</li> <li>数据集可下载、可二次开发，而不是只能在某个网页上点一下；</li> <li>与已有GWAS（全基因组关联分析）结果对接，把统计关联翻译成机制解释。</li> </ul> <p>这种&quot;AI公司把超大计算做成公共基础设施&quot;的模式，和谷歌把AlphaFold数据库免费开放是一脉相承的——<strong>用算力换学术影响力，用学术影响力换未来的产业标准。</strong></p> <h2 id="行业影响">行业影响</h2> <ul> <li><strong>精准医学</strong>：肿瘤、罕见病的基因诊断，会因为这张图提速数年；</li> <li><strong>药物靶点选择</strong>：哪些基因的调控被扰动后真正致病，AI给了量化依据，降低新药脱靶风险；</li> <li><strong>隐私与伦理</strong>：基因组数据极度敏感，免费开放的&quot;预测结果&quot;而非原始数据，是一个聪明的折中——既让科学受益，又绕开了直接暴露个人遗传信息的雷区。</li> </ul> <h2 id="展望">展望</h2> <p>AlphaGenome Atlas不会立刻治愈任何一种病。但它把&quot;理解基因组&quot;这件事的边际成本，从&quot;每个变异一次实验&quot;降到了&quot;一次检索&quot;。</p> <p>历史反复证明：当某个领域的基础数据变得足够便宜、足够完整，应用创新就会指数级爆发。AlphaFold之后，结构生物学迎来了一波酶设计、蛋白药物的创业潮；AlphaGenome之后，我们有理由期待<strong>解读基因变异的创业潮</strong>。</p> <p>对长期关注AI for Science的读者，guijiagi.com建议把AlphaGenome Atlas和AlphaFold放在一起读——它们是同一种方法论在不同生物尺度上的胜利。下一个被AI照亮的生物学角落，会是哪个？</p>