Google DeepMind 把约 90 亿种可能的单字母 DNA 变化的预测影响提前算好，放进了一个可以直接搜索的数据库。9 月 8 日发布的 AlphaGenome Atlas，让研究者可以在普通浏览器里查询这些结果，无需编程，学术研究者可免费使用。
这次变化落在研究的起手动作上：想知道某个 DNA 字母改变后可能发生什么，研究者有了一份共享的预计算结果，不必每次都从运行模型开始。
这里的“90 亿”指可能的单字母 DNA 变异。一个字母改变，可能影响基因的表达，也可能改变 RNA 的拼接方式。Atlas 要帮助研究者找到的，是其中值得进一步追查的变化。
先算好，再从候选里挑线索
AlphaGenome 和 AlphaGenome Atlas 分别承担两件事。
AlphaGenome 是预测模型。给它变化前后的 DNA 序列，它会预测基因表达、剪接等分子层面的差异。Atlas 是用这些预测建成的数据资源。研究团队针对 hg38 人类参考基因组约 90 亿种可能的单核苷酸变异，计算了参考序列与变异序列的预测差异。
但把结果存下来，还没有解决研究者面对的下一个问题：一长串候选变异，应该先看哪个？
Atlas 提供了 AlphaGenome Variant Impact，简称 AVI，用来为变异排出优先级。研究者还可以查看分数的主要贡献特征，追问一个候选为什么排得靠前，例如它是否可能造成剪接异常。
这样，查询结果就能往前多走一步：从“这个变化可能有影响”，走到“它可能通过哪种分子过程产生影响”。论文中的一个 DNM1 案例，展示了这条线索怎样进入实验。
血液检查没给出结论，脑相关预测提出了线索
研究团队在一个尚未解决的罕见病队列里，对 814 名具备本人及父母基因组数据的个体进行分析，为其中的小型新生变异排序。
一名癫痫性脑病患者的结果中，AVI 排在最前面的候选，位于 DNM1 基因的第 10 内含子。这是一个非编码变异，当时属于“意义未明变异”：研究者已经看到了它，却还没有足够证据判断它与疾病的关系。
此前的血液 RNA 测序，也没有给出明确结论。
研究者继续比较变化前后的预测，线索指向了脑相关的转录本。
理解这里的异常，只需要知道剪接做什么：RNA 形成后，需要去掉一些片段，再把保留的片段接起来。同一个基因在不同组织中，可以采用不同的拼接方式。
AlphaGenome 预测，这个变异会在脑相关转录本中产生一个隐蔽的剪接受体位点。拼接位置因此改变，使第 10a 外显子延长，对应的蛋白片段多出 13 个氨基酸，同时保持原有阅读框。
而在静脉血样本的预测中，这段外显子的表达很少。
这为此前的检查结果提供了一个具体解释：模型预测，相关外显子在静脉血样本中的表达很少。血液 RNA 测序未能得出明确结论，与脑相关转录本可能存在剪接异常，可以同时成立。
模型也由此给出了一个可检验的问题：这个区域的变异，是否真的会让外显子延长？
把预测交给实验
研究者随后对 DNM1 相关外显子上游区域进行突变实验，在 5 种细胞系中检验剪接结果。
实验识别出 12 种会导致框内延长的内含子变异。积累的证据支持研究者建议，将该案例中的变异归为“可能致病”。
因此，模型具备预测能力之后，结果是否覆盖研究者正在查的位置、能否被找到并解释，也会影响一条线索能否进入后续研究。
Atlas 把大规模预计算、排序和贡献解释放在一起，价值在这个案例里变得具体：先把候选提到前面，再指出应该检验哪种异常。
放进人群数据，多找到哪些关联
同样的预测还能用于组织人群研究中的候选变异。
据 DeepMind 介绍，埃克塞特大学研究者 Gareth Hawkes 将 Atlas 用于超过 5.4 万名 UK Biobank 参与者的全基因组数据。他按预测的分子效应对稀有变异归组，再寻找它们与性状之间的关联。
在这项 UK Biobank 数据分析中，这种方法发现的非编码遗传关联增加了 22%。
这个数字衡量的是该分析中发现的关联数量。背后的动作，是用模型预测帮助研究者把可能产生相近分子影响的稀有变异归到一起，让原先不容易从统计噪声中分辨的信号显现出来。
DNM1 案例用预测缩小了实验范围；人群研究则用预测重新组织了统计分析的输入。
查询之后，可以继续追到哪里
在 DeepMind 的官方演示中，研究者可以在 Atlas 网页查看变异分数及其主要贡献特征，继续检查具体的预测结果。
DeepMind 还提供了 AlphaGenome 与 Atlas Skills，支持在 Google Antigravity 中连接约 1 PB 的 Atlas 数据集。按照官方介绍，AI 助手可以据此排序候选变异、解释高分背后的生物学线索，在聊天中生成参考序列与变异序列的对比图，并生成链接，跳转到 Atlas 网页里的对应结果。
基础模型与图谱也有各自的入口：AlphaGenome 已通过 GitHub 和 AlphaGenome API 提供学术使用；Atlas 此次开放的是可查询的数据资源，当前支持非商业使用，商业使用计划随后通过 Google Cloud 开放。
对于研究者，这张图谱交付的是一条更短的取证路径：找到候选，查看可能受影响的组织和分子过程，再决定下一次实验该测什么。DNM1 案例走到的，正是这一步。
参考链接
-
DeepMind发布AlphaGenome Atlas：https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/ -
DeepMind AlphaGenome产品页与研究工作流：https://deepmind.google/science/alphagenome/ -
AlphaGenome Atlas原始研究论文：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/alphagenome-atlas.pdf -
Google DeepMind X官方发布帖：https://x.com/GoogleDeepMind/status/2097325048109384166 -
Sundar Pichai X原帖：https://x.com/sundarpichai/status/2097326390765109627