这世界上有一类数字，光是读出来就已经让人头晕。

90亿。

这是人类基因组中每个DNA字母都可以被替换成另外3种字母的全部可能总数。如果你把人类基因组想象成一部大约30亿字的书，那这90亿个数字就是这部书所有可能的”单字替换”——每一处，都可能改变一个人的命运，可能触发一种癌症，可能引发一种罕见病，也可能什么都不做。

9月8日，Google DeepMind宣布，它的团队用AI把这90亿种可能全部计算了一遍。

这个项目叫做AlphaGenome Atlas，是迄今为止人类历史上最大规模的基因组学计算工程之一。它不是”辅助研究员做实验”，不是”加速现有流程”——而是完成了一件以前根本不可能完成的事：将整个人类基因组变异的可能性空间，从无限的暗中，拉进了一张可以被查询的图谱。

一个类比：如果AlphaFold是蛋白质的字典

要理解AlphaGenome Atlas，最好的类比是它的前辈：AlphaFold。

2021年，DeepMind发布AlphaFold数据库，预测了超过2亿种蛋白质的三维结构。这件事被普遍认为是生命科学领域半个世纪以来最重要的突破之一——因为它把一个”需要博士生做几年实验才能解答一次”的问题，变成了一个”数据库查询3秒”的问题。AlphaFold数据库目前已被全球超过200万用户访问，直接催生了数以百计的新药研发项目，让整个结构生物学领域的节奏为之一变。

AlphaGenome Atlas正在试图对基因突变做同样的事——只是这次要解答的问题难得多，也重要得多。

蛋白质结构预测，本质上是一个问题对应一个确定答案的任务——给定一个氨基酸序列，它折叠成什么形状？但基因突变是一个不同维度的问题：每一个DNA字母的替换，都可能影响基因的表达方式、细胞的功能状态、蛋白质的产量——而且这些影响在不同的细胞类型、不同的组织环境下往往不一样。皮肤细胞里无害的变异，在心肌细胞里可能是致命的。编码区的突变有一套逻辑，非编码区的突变又有完全不同的影响机制。这不是一个简单的”查结构”问题，而是一个”预测复杂生物系统在不同场景下的响应”的问题。

DeepMind在2025年发布了AlphaGenome模型——一个专门设计用于预测基因变异生物学效果的AI系统。在它发布后的几个月里，全球约有9000名研究人员通过API访问了它的预测能力。但这9000人中的大多数，都是有工程背景的人，他们需要写代码才能调用这个API，需要懂模型的输出格式，需要有算力处理返回的多维数据。对于大多数不写代码的生物学家来说，这个模型存在，但遥不可及——就像一个巨大的图书馆建好了，但门口只有工程师能读懂的索引。

Atlas改变了这一切。DeepMind将AlphaGenome对整个人类基因组的全量预测——所有90亿种单核苷酸变体（SNV），外加超过1亿个短插入/缺失（indel）——全部预先计算好，存进一个可以免费查询的数据库，面向全球非商业用户开放。数据量有多大？1 petabyte——1000 TB。如果你把这些数据打印成文字，大概足以绕地球数百圈。

“如果去掉摩擦，就会增加人们的好奇心，想要深入探索。即时访问是一种魔法般的体验。”AlphaGenome团队负责人Žiga Avsec说。这句话听起来平常，却揭示了DeepMind此举背后的核心逻辑：不只是发布工具，而是消除门槛，让最广泛的科学社群都能进来。

图谱里装的是什么

Atlas不是一张简单的”这个突变有害/无害”的分类表。

对于每一种基因变异，Atlas提供的是一套多维预测——这个改变会影响哪些组织中的基因表达水平？会改变DNA的折叠方式（染色质结构）吗？会影响关键的转录因子结合位点吗？会改变RNA剪接模式吗？在肝细胞里和在神经元里、在心脏里的效果一样吗？

这些信息在传统研究中，通常需要做多轮湿实验才能得到局部答案，而且每次实验只能针对一个或几个候选变异。现在，研究员可以先查Atlas，在几秒内得到一个多维度的预测图景，再决定哪些变异值得投入实验验证的时间和经费——这种决策效率的提升，在临床遗传学领域尤其关键，因为那里每一个”我们应该追查这个变异”的决定背后，都可能是一个家庭等待确诊的漫长岁月。

为了让这个”多维图景”更容易被实际使用，DeepMind开发了一个名为AVI（AlphaGenome Variant Impact Score）的综合评分——一个单一的数字，综合考虑变异对基因表达、染色质结构、剪接等多个维度的预测影响，帮助研究员快速回答：”我现在最应该关注哪些突变？”

AVI评分经过了实际验证。在一个标准的临床基因组学数据库中，AVI评分能够可靠地区分已知致病突变和良性变异，表现优于大多数现有工具。更重要的一个验证案例来自Broad Institute（麻省理工/哈佛联合基因组研究所）：该机构的一个团队，使用Atlas中的预测，在一位严重癫痫患者的基因组中，成功地从大量候选变异中优先筛选出了一个位于非编码区的可能致病变异——这个变异在传统分析方法下很难被识别为优先候选，因为它不在任何已知的蛋白质编码序列里，看起来”无关紧要”。

非编码区突变的识别，正是AlphaGenome最大的优势之一。人类基因组的98%是非编码区，传统遗传学长期把这里称为”垃圾DNA”，但过去十年的研究已经清楚地证明，这片被误解的区域里藏着大量调控基因表达的关键元件。AlphaGenome的设计从一开始就把对非编码区的理解作为核心能力，这也使得Atlas在解读难以归因的罕见病突变时，比传统工具有更大的优势。

罕见病研究的游戏规则改变

在罕见病领域，Atlas的意义尤其深远，因为这里的痛点最直接、最急迫。

罕见病的定义是患病人数极少，通常是单一或少数基因突变导致的。但”极少”意味着数据稀缺，而数据稀缺意味着研究艰难——因为找不到足够多的患者样本来做统计关联分析，很多罕见病的致病突变迄今未知，患者的基因组检测结果经常以”变异来源不明（VUS, Variant of Uncertain Significance）”这几个字结尾，让患者家庭陷入诊断的无底洞。全球目前大约有7000多种已知罕见病，其中约40%尚无明确诊断方法，即便做了全基因组测序，很多致病突变也难以从背景噪声中识别出来。

一个典型的困境是这样的：一个家庭带着患有严重发育迟缓的孩子做了全基因组测序，报告回来显示发现了数十个甚至数百个VUS——每一个都是”可能有害，也可能无害，需要进一步研究”。以目前的研究资源，大多数VUS永远不会被研究清楚，孩子和家庭只能在”不知道”中等待和煎熬。

Atlas理论上可以大幅改变这种局面。当一个患者的全基因组测序结果里出现大量VUS时，研究员和临床遗传学家现在可以用Atlas快速对每个VUS打AVI分——把预测为”高影响”的突变排到前面优先验证，而不是在数以百计的候选变异里随机猜测。这不能替代最终的实验验证，但可以大幅收窄需要验证的范围，把有限的实验资源集中在最有希望的候选上。

柏林Max Delbrück分子医学中心的生物信息学家Martin Kircher说：”这是以一种有用且慷慨的方式，让更多人可以使用一个强大的模型。”他的措辞——”有用的”且”慷慨的”——透露出科学界对此举的实用主义欢迎：DeepMind没有把这个数据库变成付费商业服务，而是选择免费开放给全世界非商业研究者。

这个”开放”的决策，在当前AI商业化浪潮里，显得尤为值得注意。当大多数前沿AI模型都在追求商业化变现的时候，DeepMind选择了一种不同的路径——把一个花费了巨额算力和存储成本构建的知识库，直接放进科学公地。这是一个关于AI如何为人类科学知识创造价值的不同范本。

这是AI用于生物科学的范式转变

AlphaGenome Atlas的发布，和过去十年里我们习惯看到的”AI辅助科研”叙事不一样。

过去的叙事通常是这样的：AI帮助研究员从论文里提取信息，AI帮助优化实验设计，AI帮助分析已有数据，AI帮助筛选候选化合物。在这些叙事里，AI是研究员的助手，核心依然是人的判断和实验室里的湿实验。AI让已有的工作变快，但没有改变工作的本质边界。

但AlphaGenome Atlas体现的是一种不同的逻辑：AI在完成一件人类力所能及范围之外的任务。

对整个人类基因组的90亿种单核苷酸变体做全量功能预测，这件事在计算量和时间成本上根本超出了普通研究机构的能力边界。即便是世界上最大的生物信息学团队，不依赖AI也无法在合理时间内完成这项计算——这不是时间的问题，而是物理资源的问题。1 petabyte的数据，需要的不只是算力，还需要一套能对基因组做出可靠多维预测的AI模型。没有AI，这个图谱根本不存在。

这个区别很重要。当AI只是让已有工作变得更高效时，它是生产力工具。当AI让以前根本做不到的事情成为可能时，它是能力扩展器——是人类认识世界的边界本身在扩大。AlphaGenome Atlas属于后者。

有一个有意思的对照：在同一个星期，互联网上讨论最多的AI话题是”AI可能导致人类灭绝”，是”GPT-6跨越网络安全关键阈值”，是”AI智能体秘密劫持网站”。这些话题都真实、都重要。但在这片喧嚣里，有一件事安静地发生了：AI完成了人类历史上最完整的基因突变功能预测，并把它免费放在了全世界生物医学研究者面前。

局限与期待

这份Atlas不是全部答案，这一点需要明确。

Kircher指出：Atlas不会替代实验，也不会替代对个体差异的考量——”这些预测是在标准参考基因组背景下做的，不考虑一个特定患者的其他遗传背景、修饰酶的状态或者其他个体化因素。”

对于罕见病诊断，Atlas可以帮助研究员更快地筛选候选突变，但最终的因果关系还需要实验验证。在功能研究层面，Atlas的预测是基于AlphaGenome模型的输出，而任何AI模型都有错误率——一些真正有害的突变可能被漏掉，一些无害的突变可能被误标为高影响。

对于复杂疾病（比如高血压、糖尿病、阿尔茨海默病），单个SNV的预测效应通常很小，真正的风险来自数百个位点的累积效应，Atlas在这类场景下能提供的是一种优先排序辅助，而不是确定性的诊断依据。

此外，Atlas目前只覆盖单核苷酸变体和短indel，不包括更复杂的结构变异（比如染色体的大片段重排、拷贝数变异）——而这些复杂变异在很多严重疾病中扮演着关键角色。

未来的方向是显而易见的：模型要扩展到更多类型的基因变异，数据要向更多物种扩展（非人类基因组对农业和进化生物学研究有巨大价值），预测要整合进现有的临床诊断流程，AVI评分要在更多罕见病人群中被前瞻性验证。AlphaFold数据库发布后经历了几年的快速迭代，AlphaGenome Atlas大概也会走上同样的道路。

同时值得思考的是：大规模基因变异预测数据的开放，也带来了潜在的伦理挑战。基因预测数据如果被商业机构用于保险定价、就业筛选或医疗歧视，将产生严重的社会后果。目前Atlas的”免费非商业使用”条款如何有效执行，如何防止数据被间接用于歧视性目的，是未来政策必须面对的问题。科学突破和伦理治理，从来不应该是前者遥遥领先、后者永远在追赶的关系。

“消除摩擦”背后的更大赌注

Avsec说的”消除摩擦”背后其实藏着一个更大的赌注：如果降低访问门槛，科学进步的速度会不会以非线性的方式加快？

AlphaFold数据库的历史提供了支持这个假设的最强证据：从AlphaFold数据库发布到今天，已经有超过200万用户访问，已有数百篇论文直接引用它的预测作出新发现，已有多个新药研发项目从这些预测中获益加速。一个”将蛋白质结构预测从瓶颈变成基础设施”的决定，改变了一个研究领域的节奏。对于AlphaGenome Atlas，我们有充分的理由期待类似的效果——尽管最终程度还有待时间验证。

值得一提的是，DeepMind选择免费开放这份数据库，也符合科技巨头通过开放基础科学工具建立科学生态系统影响力的一贯逻辑。这不是在质疑这一举措的善意——只是指出，慷慨与战略可以同时成立。Google在AlphaFold之后，在科学AI领域的品牌影响力大幅提升；AlphaGenome Atlas对Google而言同样是建立科学领导力的重要资产。

在这个AI新闻每天都在谈论灭绝风险、递归自我改进、网络安全阈值的秋天，有一件事正在安静地发生：AI正在把人类无法独力完成的生命科学计算变成现实，并且选择把这些计算的结果免费共享。

90亿种可能的突变，1份可以查询的图谱。

这件事可能比我们今天能够估计的要重要得多。

从另一个视角：这对医疗体系意味着什么

让我们把这件事拉回到最具体的场景——一个普通家庭的经历。

一对父母带着患有不明原因严重智力障碍的孩子，花费了数万元做了全基因组测序。三个月后，他们收到一份几十页的报告，上面写着：”发现以下变异，其中152个归类为VUS（意义不明的变异），需要进一步研究。”报告的意义等同于”我们找到了问题，但不知道是哪个是问题”。临床遗传学家面对这152个候选项，凭借现有的数据库和知识，也许能把范围缩小到二三十个，但剩下的大多数，就只能等待——等待其他研究者在其他患者里发现相同的变异，积累足够多的证据。这个等待，有时候是几年，有时候是一辈子。

现在，有了Atlas，这个流程在理论上可以有质的改善。临床遗传学家可以直接查询每个VUS的AVI分——把预测为高影响的突变推到研究优先级的前列。Broad Institute在癫痫患者中的验证案例，已经展示了这种优先排序的实际价值：他们从众多候选变异中，用Atlas的预测正确识别出了一个位于非编码区的致病变异。同样的流程，理论上可以在全球每一个罕见病诊断案例中被复用。

这不是遥远的未来，而是已经可以开始使用的工具。对于全球超过3亿罕见病患者而言，任何能够加速诊断的工具，都不是一个抽象的技术进步——而是实实在在关系到一个家庭等待多久才能得到答案的问题。

基因组学的”基础设施化”正在发生

仔细观察过去5年AI与生物医学的交叉，你会发现一个明显的趋势：AI正在将生物科学的知识从”专业壁垒”变成”公共基础设施”。

AlphaFold 2021年发布时，解决了蛋白质结构预测这个困扰生物学界50年的问题，并开放了数据库。之后，大量此前无法开展的药物研发和结构生物学研究，在全球范围内被加速启动。

ESMFold（Meta AI）2022年发布，进一步降低了蛋白质结构预测的计算成本，让更多团队可以参与。

AlphaGenome模型2025年发布，将AI能力扩展到基因变异的功能预测。

AlphaGenome Atlas 2026年发布，将这一能力从”专家工具”变成”全球科学公共品”。

这不是偶然的连续步骤，而是一个清晰的战略：将AI能力嵌入生物医学研究的基础层，让接下来十年的科学发现能够建立在这些已知能力之上，而不是重新发明这些能力。这是AI在生物医学领域最深层的影响——不是某个具体的新药，而是整个研究生态系统的提速。

那些仍然将AI视为”工具辅助”而非”基础设施”的机构，正在失去一个可能改变其研究速度的机会。而那些已经将Atlas、AlphaFold、ESM等AI知识库嵌入日常研究流程的团队，正在享受一种非对称的信息优势——他们能在几秒内查到一个结果，而对手可能需要几年的实验才能得出相似的结论。

生物医学研究的未来，将越来越由那些能够高效利用AI知识基础设施的团队塑造。在这个意义上，AlphaGenome Atlas不只是一个数据库的发布，而是这个时代的一个路标：AI正在把生物学知识的规模和速度提升到一个新的量级，而进入这个量级的门票，目前是免费的。

参考来源:

  1. DeepMind’s new genome ‘atlas’ charts effects of all nine billion human gene mutations — Nature News, 2026-09-08. nature.com
  2. Google DeepMind Releases AlphaGenome Atlas Mapping 9 Billion Human DNA — Forbes, 2026-09-10. forbes.com
  3. Google DeepMind maps 9 billion human DNA mutations in major genetics breakthrough — The News, 2026-09-08. thenews.com.pk