AlphaGenome Atlas：Google DeepMind绘制90亿DNA变异图谱，生物AI从工具升级为基础设施
AlphaGenome Atlas：Google DeepMind绘制90亿DNA变异图谱，生物AI从工具升级为基础设施
2026年9月，Google DeepMind发布了AlphaGenome Atlas——对人类基因组中所有约90亿种可能的单碱基突变的AI功能预测图谱，免费开放给全球研究者非商业使用。
这是一个用「字节」来衡量的科学成就：DeepMind计算了人类基因组中每一个DNA字母的所有3种可能替换（每个字母可以被其他3种碱基替代），总计约90亿个变异，生成了约1拍字节（1PB，即100万GB）的预测数据。
作为参比：人类基因组本身大约有30亿个碱基对，约3GB。AlphaGenome Atlas的预测数据量，是人类基因组原始数据的约33万倍。
但数字不是最重要的部分。最重要的是：这份图谱改变了谁能做什么样的基因组学研究。
一、为什么需要这样一份图谱？
要理解AlphaGenome Atlas的意义，需要先理解人类遗传学研究的一个核心挑战：大多数基因突变的功能影响，我们根本不知道。
人类基因组中约有30亿个碱基对。每个人相对于参考基因组，平均有约400万-500万个位置存在变异（SNP，单核苷酸多态性）。在这些变异中，绝大多数是「无功能的」——它们不影响蛋白质或基因调控，对健康没有意义。但其中一小部分是致病的：它们可能导致罕见遗传病、增加癌症风险、或影响药物代谢。
问题在于：我们目前能够通过实验证实其功能影响的变异，只占总数的极小比例。对于数以百万计的未知变异，研究者只能依靠不完善的计算模型来推断它们「可能」有什么影响。
这个知识空白是临床基因组学的核心挑战之一：当一个罕见病患者接受全基因组测序后，往往会发现数百个「意义未明的变异（VUS，Variant of Uncertain Significance）」，医生和研究者无法判断哪些是致病的，哪些是良性的。
AlphaGenome Atlas试图用AI填补这个空白。
二、AlphaGenome是什么，Atlas又是什么？
AlphaGenome（原始模型）是DeepMind于2025年发布的AI模型，能够根据DNA序列预测基因调控活动——包括哪些基因会在哪些细胞类型中被激活、基因调控元件如何工作、以及DNA序列变化如何影响这些调控过程。
这个模型的预测粒度非常细：它可以预测一个变异在数百种人体组织和细胞类型中的功能影响，从心脏细胞到脑神经元，从皮肤细胞到血液细胞。对于每个变异，它会生成数千个预测值，描述这个变异在不同生物学背景下的影响。
由于预测的维度极高、细节极丰富，使用AlphaGenome模型本身需要编写代码、配置计算资源——这对很多生物学家来说是一个实质性的技术门槛。在Atlas发布前，大约只有9000名研究者通过API使用过这个模型（据DeepMind产品经理的数据）。
AlphaGenome Atlas的核心创新是：DeepMind提前跑完了所有90亿种变异的计算，把结果存入一个统一的、可免费访问的数据库，并为每个变异提供一个汇总分数——AlphaGenome Variant Impact（AVI）分数。
这就像是：把一个需要专业程序员才能操作的高性能工具，变成了一个任何人都能通过网页浏览的百科全书。
三、AlphaFold先例：免费图谱如何改变科学生态
理解AlphaGenome Atlas的潜力，最好的参照是DeepMind在2022年发布的AlphaFold数据库。
AlphaFold模型于2020年在蛋白质结构预测领域实现了突破性进展，能够以前所未有的准确率预测蛋白质的三维结构。但真正改变科学界使用习惯的，是2022年的AlphaFold数据库——DeepMind预先计算了已知所有蛋白质序列的结构预测，超过2亿个蛋白质，并完全免费开放。
这个数据库的影响是深远的：
- 截至本文写作时，AlphaFold数据库已被数百万用户访问，成为全球生物学研究的基础工具之一
- 无数研究者可以不需要运行AlphaFold模型本身，就直接查询任何蛋白质的结构预测
- 这使得蛋白质结构信息从「需要昂贵实验或专业计算资源才能获得」变成了「搜索即可得到」的基础知识
AlphaGenome Atlas正在尝试在基因组变异功能预测领域复制这个模式：
- AlphaFold解决的是「这个蛋白质长什么样」的问题
- AlphaGenome Atlas解决的是「这个DNA变异有什么功能影响」的问题
后一个问题的社会影响可能更大：因为它直接连接到个人遗传病的诊断和治疗决策。
四、AVI分数：复杂预测的「可用化」封装
AlphaGenome Atlas引入的AVI（AlphaGenome Variant Impact）分数，是这个产品中最有实际价值的创新之一。
原始的AlphaGenome模型对每个变异会生成数千个预测值——覆盖数百种细胞类型、多个生物学层面（基因表达、染色质结构、转录因子结合等）。对于非专业的计算生物学家来说，这些数据过于复杂，难以直接用于临床决策或快速筛选。
AVI分数是对这些复杂预测的汇总——一个单一数字，反映这个变异在整体上「有多可能是有生物学意义的」。
DeepMind通过内部研究验证了AVI分数的有效性：在一个临床基因组数据库中，AVI分数能够可靠地区分致病突变和良性变异。更重要的是，Broad Institute（MIT和哈佛联合研究机构）的团队用AVI分数帮助优先排查了一个可能导致严重癫痫的非编码区变异，指向了一个此前被忽视的潜在致病位点。
需要指出的是，AVI分数代表的是一种模型的汇总预测，而不是对任何单个变异的实验证明。模型在大型数据集上的统计表现（在临床数据库中区分致病/良性）并不等于对每个具体变异都有高精确度。研究者在使用AVI分数时，应该将其作为优先级排序工具，而不是最终诊断依据。
这个案例揭示了AlphaGenome Atlas最直接的临床应用场景：加速罕见遗传病的致病变异发现。
罕见遗传病通常有一个共同特征：患者可能等待数年甚至数十年才能得到确诊，因为全基因组测序结果中充满了「意义未明」的变异，医生和研究者难以从中找到真正的致病原因。AlphaGenome Atlas提供的AVI分数，可以帮助研究者更快地把「可能有意义的变异」与背景噪声区分开来。
五、限制：AI预测不能替代实验
理解AlphaGenome Atlas的局限性，与理解其价值同等重要。
DeepMind的模型做的是「功能预测」，而不是「功能证明」。一个高AVI分数的变异，意味着AI认为它可能具有重要的生物学功能，但这不等于实验证实了它的致病性或功能影响。
柏林马克斯·德布吕克分子医学中心的生物信息学家Martin Kircher在接受《自然》杂志采访时给出了一个清醒的评价：「这是以可扩展的方式访问强大模型的有用且慷慨的方式。」但他同时强调：它不能替代实验，在疾病诊断方面也不能取代对个体特异性差异的考量。
这一点很重要。AI预测可以大幅缩短「从数百万个候选变异中找到最值得深入研究的那几个」的时间，但最终的因果验证仍然需要实验室工作。
此外，AlphaGenome Atlas覆盖的是「单碱基替换」，这只是人类基因组变异的一种类型。更复杂的变异类型（基因组结构变异、大片段插入缺失、多碱基替换等）目前不在Atlas的覆盖范围内，这是一个重要的局限。
六、「去除摩擦」就是「增加好奇心」
DeepMind的AlphaGenome团队负责人Žiga Avsec在接受《自然》采访时说了一句值得品味的话：
「如果你消除了摩擦，你就增加了人们深入探索的好奇心。」
这句话背后是一个关于科学生态系统的深刻洞察。科学进步不只发生在技术前沿的少数专家那里，它还需要广泛的、多样化的研究者群体。当一个工具需要专业的计算技能才能使用时，它的影响范围受限于那些同时具备生物学知识和计算技能的研究者——这是一个相对狭窄的群体。
当这个工具变成了「免费的、可直接搜索的图谱」时，它就变成了所有生物学家都可以在任何研究项目中随手调用的资源。一个在研究某种罕见骨骼疾病的临床医生，可以直接查询该疾病相关基因区域的所有变异的AVI分数，而不需要向计算生物学家请求帮助。
这种可及性的改变，在历史上往往会催生意想不到的科学发现——当工具变得足够容易使用，就会有足够多样的人去使用它，而多样性本身就是科学创新的土壤。
七、AlphaFold → AlphaGenome → 接下来是什么？
把AlphaFold数据库和AlphaGenome Atlas放在一起看，可以看到一个模式正在成形：DeepMind正在系统性地将生物学的核心知识领域转化为免费的、AI驱动的、可全球访问的基础设施。
AlphaFold覆盖了「蛋白质结构空间」——从序列到结构的映射。 AlphaGenome Atlas覆盖了「基因组变异功能空间」——从DNA序列变化到功能影响的映射。
接下来的自然延伸，可能包括：
- 单细胞分辨率的基因调控图谱：在每种细胞类型的精细分辨率下描述基因调控网络
- 基因变异-疾病关联图谱：将变异功能预测直接连接到疾病表型数据
- 蛋白质-DNA相互作用图谱：预测特定转录因子与基因组中所有结合位点的相互作用
如果这个模式持续下去，DeepMind正在建设的，不只是一系列科学工具，而是生物学知识的数字化基础设施——一个让所有人都能在其上进行研究的平台层。
八、商业逻辑：免费图谱如何服务Google的战略利益
AlphaGenome Atlas是免费的——对非商业研究者而言。这个细节值得注意。
Google/DeepMind发布免费科学数据库的背后，有清晰的战略逻辑：
研究者粘性：当全球数十万生物学研究者的日常工作开始依赖Google DeepMind的工具，这些研究者自然会转化为Google Cloud的潜在用户——无论是用于运行自己的AI分析、存储基因组数据，还是使用Google Gemini等模型进行后续研究。
人才吸引：能够参与「AlphaFold改变了生物学」级别的工作，对全球顶尖生物AI人才是强力吸引，帮助DeepMind继续保持在这一领域的主导地位。
监管公信力：在生物AI越来越多地引发监管关注的背景下（包括Anthropic威胁报告中描述的生物武器滥用案例），以开放、透明、纯科学目的发布的Atlas，有助于建立DeepMind在这一领域的监管公信力。
数据反馈：Atlas的使用模式本身就是有价值的数据——哪些变异被查询最多、哪些疾病领域的研究者使用最频繁，这些信息可以指导DeepMind未来的研究方向。
这不是在贬低Atlas的科学价值，而是在完整地描述它同时服务于多个目标的现实。与AlphaFold一样，它可以同时是真正具有科学意义的突破，也是Google长期生物医学布局中的一步棋。
九、第三层洞察：「预测的民主化」与科学的权力结构
表面上，AlphaGenome Atlas是一个强大的新科学工具。
更深一层，它是「AI对生物学知识垄断格局」的一次颠覆——将原本只有少数顶级计算生物学家能够操作的分析能力，开放给全球任何有网络连接的研究者。
但第三层，也是最值得思考的一层，是：谁控制这些「预测基础设施」，谁就对未来的生物学研究方向有更大的影响力。
AlphaGenome Atlas是DeepMind构建的工具，预测的是DeepMind定义的功能影响框架，以DeepMind认为重要的维度来评分。AVI分数的计算逻辑是DeepMind的，数据库的访问界面是Google的，使用条款是Google设定的。
当全球研究者越来越依赖这个图谱时，他们同时也在越来越多地采纳了DeepMind对「什么是重要的基因组变异」的定义。这种知识权力的集中，在短期内是有益的（减少摩擦、加速发现），但在长期内可能创造一种新的知识依赖性。
这不是Atlas独有的问题——这是所有大规模、免费、由单一机构维护的科学基础设施都面临的共同挑战。开放科学的理想，与知识基础设施的实际控制权，在现实中总是存在张力。
AlphaGenome Atlas是迄今为止最令人印象深刻的生物AI基础设施尝试。但它也提醒我们：生物学的未来，将越来越多地由那些能够构建和维护这类基础设施的组织所塑造。
这个权力格局的变化，也许才是这份90亿DNA变异图谱最深远的遗产。
十、对中国生物医学研究的含义
AlphaGenome Atlas的发布，对中国的基因组学研究界也有直接影响。
中国是全球最大的基因组学数据生产国之一——华大基因（BGI）、中国人群基因组研究计划（ChinaMAP）等项目积累了大量中国人群的基因组数据。但在「变异功能注释」这一关键环节，中国研究机构长期依赖来自欧美的工具和数据库（如美国的ClinVar、dbSNP等）。
AlphaGenome Atlas的出现，在短期内是一个免费的科学礼物：中国研究者可以立即使用其中的预测数据来注释他们自己的研究结果，大幅节省计算成本和时间。
但中期视角下，这也是一个值得关注的战略依赖：如果中国的精准医学基础设施越来越多地构建在Google DeepMind的预测框架上，那么在地缘政治张力加剧的情况下，这种依赖可能成为脆弱点。这不是假设性的风险——2025年以来，美国对中国芯片和AI工具的出口管制已经多次体现了这一类风险的现实性。
这就是为什么与AlphaGenome Atlas同步，中国科学界正在加大对自主基因组AI工具的投入——虽然在这一赛道上，中国目前落后于DeepMind相当距离。
十一、从「工具」到「基础设施」的意义
AlphaGenome Atlas代表了AI在科学领域应用的一个重要转变：从「工具」到「基础设施」。
一个「工具」是研究者根据需要选择使用的东西——它是可选的、可替代的、使用后可以放下的。
一个「基础设施」是研究活动的基础组件——它是默认存在的、难以替代的、深度嵌入研究流程的。
当AlphaFold数据库被发表之后的3-4年内，引用它的科学论文超过了数万篇，它变成了结构生物学领域的默认工具——这是从「工具」到「基础设施」的转变。AlphaGenome Atlas有望走上相同的轨迹，但在一个更大、与临床医学更直接相关的领域。
当一个AI系统成为基础设施，它就获得了一种独特的影响力：它不只影响个别研究项目的结论，而是开始塑造整个领域的研究范式——研究者问什么问题、如何设计实验、如何解读数据，都会受到「图谱」本身能够回答什么问题的约束。
这种范式塑造力，是单纯的「更好的工具」所不具备的。AlphaGenome Atlas如果成功，将成为AI影响人类生物学研究方向的最深层、最持久的力量之一。
从AlphaFold到AlphaGenome Atlas，DeepMind正在做的事情，用一句话来描述就是：用AI把生物学的基础知识转化为可计算的、可全球访问的、可无限扩展的公共资源。这件事如果做成功，将以目前难以预测的方式重塑人类对自身生物学的理解速度。
一年前，人类基因组学领域的研究者还需要为「了解一个变异的功能影响」等待数年的实验积累。现在，他们有了一个可以在秒级时间内查询90亿个变异预测的图谱。这种加速，不是渐进的，而是跨越式的。它意味着未来数年内将有更多被解释的罕见病案例、更快的遗传风险因素发现、以及——希望——更多可治疗的疾病。
这是AI对人类健康最直接、最真实、也最值得期待的贡献之一。也是对「AI究竟有什么价值」这个问题，迄今为止最令人信服的答案之一。
参考资料
- Nature News, “DeepMind’s new genome ‘atlas’ charts effects of all nine billion human gene mutations” (2026-09-08), https://www.nature.com/articles/d41586-026-02835-4
- Forbes, “Google DeepMind Releases AlphaGenome Atlas Mapping 9 Billion Human DNA” (2026-09-10), https://www.forbes.com/sites/jonmarkman/2026/09/10/google-deepmind-releases-alphagenome-atlas-mapping-9-billion-human-dna/
- The News, “Google DeepMind maps 9 billion human DNA mutations in major genetics breakthrough” (2026-09-08), https://www.thenews.com.pk/latest/1415418-google-deepmind-maps-9-billion-human-dna-mutations-in-major-genetics-breakthrough
- Google DeepMind, AlphaGenome Atlas (2026), https://deepmind.google/technologies/alphagenome/