Google DeepMind绘制90亿DNA变异图谱：AlphaGenome Atlas让基因组学进入AI「普查」时代

你的基因组里有30亿个「字母」，每个字母都可能发生变化（A→T、C→G等），理论上可能的突变总数约为90亿种。其中大多数突变，人类从来不知道它们意味着什么——是会让你更容易得阿尔茨海默病，还是其实完全无害？

2026年9月8日，《自然》杂志发布了一个改变这一现状的里程碑：Google DeepMind推出AlphaGenome Atlas——一个免费的公开数据库，包含全部90亿种可能突变的AI预测功能影响。人类基因组的「全量注释」，第一次成为可能。

这不是渐进改进。这是AI在一次性完成一项人类几十年才能做完的事。

从AlphaFold到AlphaGenome：DeepMind在生命科学的两次奇迹

要理解AlphaGenome Atlas的意义，最好的参照点是6年前的AlphaFold。

2020年，DeepMind发布AlphaFold2，以前所未有的精度预测蛋白质的三维结构。这件事震动了整个生物学界，因为「蛋白质折叠问题」是分子生物学长达50年的核心难题，而AI在短短几年内解决了它。AlphaFold数据库最终包含了超过2亿种蛋白质的结构预测，彻底改变了药物研发、酶工程和结构生物学的工作方式。

AlphaGenome Atlas的野心更大，也更难。

蛋白质折叠预测的挑战在于：给定氨基酸序列，预测其三维形态。这是一个从序列到结构的映射问题，有相对明确的物理约束可以利用。

基因变异功能预测的挑战则要复杂得多：给定一个单碱基变异，预测它在不同细胞类型、不同组织、不同发育阶段下对基因表达、染色质结构、RNA剪切的影响。这是一个高度情境依赖的多维映射问题，涉及人类生物学几乎所有层次的调控机制。

Google DeepMind的解决方案是用此前发布的AlphaGenome模型——一个专门训练用于预测基因组调控功能的深度学习系统——对全部90亿种SNV进行系统性预测，并将结果组织成一个结构化的公共数据库：AlphaGenome Atlas。

数据库的核心内容包括：

  • 每种SNV对基因表达（RNA水平）的预测影响：在数百种人类细胞类型和组织中，这个变异会让哪些基因表达增加或降低多少
  • 对染色质可及性的预测影响：这个位置的DNA是否更容易被转录因子结合，从而影响基因调控
  • 对RNA剪切的预测影响：这个变异是否会改变前体mRNA的剪切模式，产生不同的蛋白质亚型

对于每种预测，数据库还提供了预测置信度分数和相关的功能注释，帮助研究者判断预测的可靠性。

90亿是什么概念：从理解数字到理解意义

「90亿种变异」这个数字太大，容易让人产生距离感。让我用具体例子说明这意味着什么。

已知与阿尔茨海默病相关的APOE4变异，不过是19号染色体上的一个单碱基变化（rs429358：C→T）。这一个变异，将患阿尔茨海默病的终生风险提高了3-4倍。全人类基因组中存在数百万个类似的「功能性SNV」，每个都可能与某种疾病、某种代谢特征或某种药物反应有关。

问题是：这数百万个有功能的SNV，如何从90亿个总变异中找出来？传统方法是全基因组关联研究（GWAS）——在大规模人群中统计哪些变异与疾病相关，再通过功能实验验证。这个过程极其昂贵和耗时，而且统计关联不等于功能因果关系。

AlphaGenome Atlas提供了一个全新的路径：先用AI预测每种变异的功能效应，再让研究者根据预测结果有针对性地选择最值得实验验证的候选变异。这就像在海量数据中，AI先做了一轮「粗筛」，把最有可能有功能意义的变异推荐给研究者，大幅降低了后续实验的工作量。

《自然》杂志的评论文章中，一位基因组学家将AlphaGenome Atlas描述为「相当于给每一段DNA都贴上了初步的功能说明书」。在这个说明书出现之前，大多数DNA的功能是「未知」的；现在，每段DNA都有了一个基于AI预测的初始注释——即使这些预测还需要实验验证，它们也为研究者提供了宝贵的先验信息。

对医学研究的具体影响：三个最有前景的应用方向

AlphaGenome Atlas的潜在应用极为广泛，但以下三个方向最值得关注：

1. 罕见病诊断：解读基因组测序结果中的VUS（意义未明变异）

每当医生为患者进行全基因组测序时，都会发现大量「意义未明变异」（Variants of Uncertain Significance，VUS）——这些变异在已知数据库中没有记录，医生无法判断它们是否导致了疾病。据估计，每个人的基因组中有数万个VUS，其中多数是无害的，但有少数可能是致病原因。

目前的VUS解读主要依赖：变异的位置（在蛋白质编码区还是调控区）、进化保守性（是否在多个物种中保守，越保守通常越重要）、以及有限的功能实验数据。这些信息往往不足以做出临床判断，导致大量罕见病患者「漫游」在确诊边缘。

AlphaGenome Atlas为每个VUS提供了AI预测的功能影响，相当于给临床医生提供了额外的证据。对于那些落在已知调控区域的变异，Atlas的预测可以帮助医生判断该变异是否可能影响相关基因的表达，从而为确诊或排除特定遗传疾病提供更多依据。

2. 药物靶点发现：从基因组到药物候选

药物研发中最昂贵、最耗时的阶段之一是从基因组学信号到可成药靶点的转化。GWAS研究能找到与疾病关联的基因组区域，但通常无法告诉研究者具体的「效应变异」是什么，以及它通过什么机制影响了哪个基因的功能。

AlphaGenome Atlas可以帮助研究者快速缩小候选范围：对GWAS发现的关联区域内的所有变异进行功能预测，找出其中最可能改变基因调控的候选变异，再通过实验验证这些预测。这个过程可以从现在的数年压缩到数月。

3. 癌症基因组学：理解肿瘤突变的功能后果

肿瘤细胞的基因组中通常有数千到数万个体细胞突变，其中哪些是「驱动突变」（导致癌变的关键突变）、哪些是「乘客突变」（无意义的背景噪声）？这是癌症基因组学的核心问题。

目前的驱动突变识别主要依赖跨样本的统计分析（被多个肿瘤样本反复发现的突变更可能是驱动突变）。但对于罕见癌症或新型突变，样本量不足以支持统计推断。AlphaGenome Atlas的功能预测可以为这些「孤立的」肿瘤突变提供功能评估，帮助研究者判断其驱动潜力。

数据主权与商业化的隐忧：科学进步背后的权力博弈

AlphaGenome Atlas是免费的公共资源，这一点值得称赞。Google DeepMind遵循了AlphaFold数据库的先例，选择将研究成果开放共享，而不是作为商业产品锁定。

但Google在这件事上并不是纯粹的科学慈善者。背后有一个清晰的商业逻辑。

Google Cloud的基因组学布局。与AlphaGenome Atlas同步，Google Cloud推出了配套的分析工具，使研究者可以在Google基础设施上运行针对Atlas数据的查询和分析。处理90亿条变异记录的大规模计算，恰好是Google Cloud最擅长的领域，也是它希望科学界依赖其平台的关键。「免费数据+付费计算」的组合，是科技公司在科学数据领域屡试不爽的商业模式。

训练数据的生态锁定。更长远地看，如果全球基因组学研究社区围绕AlphaGenome Atlas的预测结果构建研究基础设施，Google实际上就获得了对基因组功能注释「事实标准」的掌控权。未来的研究者在验证或挑战Atlas的预测时，都不可避免地要与Google的体系产生交互。

数据来源的伦理问题。AlphaGenome Atlas的预测基于大量人类基因组和功能基因组学数据训练的模型。这些训练数据的来源、知情同意状况、数据所有权归属，是基因组AI领域长期悬而未决的伦理问题。当Google将基于这些数据的AI系统商业化时，这一伦理张力尤为突出。

当然，这些隐忧不应遮蔽AlphaGenome Atlas的科学价值。但批判性地思考谁在构建这些「基础设施」、谁从中获益、谁有权访问、谁承担数据隐私的成本，是负责任的科技公民的必要功课。

从AlphaFold到AlphaGenome：AI成为生命科学「基础设施」的路径

在过去10年里，AI对生命科学的影响经历了几个明显的阶段：

第一阶段（2015-2020）：AI在生命科学的边缘应用。医学影像诊断、药物分子筛选、基因组数据分析。AI是工具，生物学家是决策者。

第二阶段（2020-2024）：AlphaFold的突破使AI成为解决核心生物学难题的主角。AI开始生成新知识，而不只是处理已有数据。

第三阶段（2024-）：以AlphaGenome Atlas为标志，AI开始提供超越人类手工实验能力的「全量知识」。AI不再是辅助工具，而是「基础设施」——就像基因组测序仪本身、像PubMed文献数据库一样，成为每个生命科学研究者必须使用的底层资源。

这一转变有深远影响。当AI成为生命科学的「基础设施」，未来的医学研究将越来越依赖AI系统的预测质量和可及性。如果这些基础设施集中在少数几家科技公司手中，科学进步的速度和方向将受到它们商业决策的制约。

AlphaGenome Atlas是免费的，AlphaFold数据库也是免费的。但「今天免费」不等于「永远免费」，「免费访问」不等于「公共治理」。当谷歌、微软（通过DeepMind的竞争者）开始竞相将AI工具嵌入生命科学研究链条时，医学研究的「开放科学」传统将面临前所未有的考验。

结语：一张地图，90亿条路

人类花了30多年测序了自己的基因组，又花了20多年才开始真正理解其中少数位置的意义。AlphaGenome Atlas的出现，意味着这个理解过程将以指数级速度加快。

当然，这是AI的预测，不是实验事实。Atlas中的90亿条预测记录，每一条都需要用实验来验证、修正和深化。这项工作足够让全球生命科学界忙上几十年。

但「有地图」和「没有地图」是根本性的差别。在没有地图的时代，探索是盲目的；有了地图，即使地图不完美，探索也变得有方向、有优先级。

AlphaGenome Atlas给了人类一张不完美但前所未有的基因组功能地图。接下来，如何用这张地图找到治愈阿尔茨海默病、帕金森病、罕见遗传病的路，是生命科学下一章节最重要的故事。

如果你是研究者，现在可以做什么？ AlphaGenome Atlas已作为免费公共数据库开放，研究者可通过Google DeepMind官网访问。输入任意已知SNV的基因坐标，即可获取该变异在数百种细胞类型中的预测功能影响。对于正在进行罕见病基因诊断的临床遗传学团队，这将是一个值得立即集成进诊断流程的新资源。

参考资料:

  1. Nature（2026年9月8日）: “DeepMind’s new genome ‘atlas’ charts effects of all nine billion human gene mutations”: https://www.nature.com/articles/d41586-026-02835-4
  2. Forbes（2026年9月10日）: “Google DeepMind Releases AlphaGenome Atlas Mapping 9 Billion Human DNA”: https://www.forbes.com/sites/jonmarkman/2026/09/10/google-deepmind-releases-alphagenome-atlas-mapping-9-billion-human-dna/
  3. ProPakistani（2026年9月9日）: “Google’s New AI Atlas Presents Breakthrough for Genetic Disease Research”: https://propakistani.pk/2026/09/09/googles-new-ai-atlas-presents-breakthrough-for-genetic-disease-research/
  4. The News（2026年9月8日）: “Google DeepMind maps 9 billion human DNA mutations in major genetics breakthrough”: https://www.thenews.com.pk/latest/1415418-google-deepmind-maps-9-billion-human-dna-mutations-in-major-genetics-breakthrough