Google DeepMind 推出 AlphaGenome Atlas 人类基因组变异预测平台

2026 年 9 月 8 日 科学

AlphaGenome Atlas 团队

预测人类基因组中每一种可能的单字母 DNA 变异的分子影响，将如何帮助加速我们对生物学的理解。

今天，我们推出 AlphaGenome Atlas：一个平台（在我们的论文中有详细介绍），其中包含对人类基因组中 90 亿个单核苷酸变异——每一种可能的单字母变化——影响的预测。这是迄今最全面的遗传突变如何影响分子生物学的目录，并通过一个直观且免费使用的网站门户向学术研究开放。

DNA 是生命的语言。掌握它是一项宏大的挑战，可能会改变我们理解生物学和治疗疾病的能力。但进展一直受到一个根本问题的限制：解读遗传变异如何在分子层面影响生物学。人类基因组中大约有 90 亿种可能的单字母突变，在实验室中逐一测试实际上是不可能的。

Google DeepMind 已经通过 AlphaGenome 在这一挑战上取得进展。AlphaGenome 是一种人工智能（AI）模型，可以预测遗传变异如何影响生物过程。AlphaGenome 有助于分析特定变异，并已在研究中得到广泛应用，但我们希望向研究人员展示整个基因组范围内变异的全局视图。

通过大规模预先计算 AlphaGenome 的预测，我们创建了一个易于访问的资源，极大扩展了该模型的覆盖范围。正如地图集是一组地图，将海拔和位置等地貌特征连接起来，AlphaGenome Atlas 则描绘了整个基因组中 DNA 变异的分子效应。

为了帮助科学家快速找到影响最大的遗传变化，我们还发布了 AlphaGenome Variant Impact（AVI）评分。AVI 结合了 AlphaGenome 和 AlphaMissense 的优势——AlphaMissense 是我们用于预测改变蛋白质的 DNA 变异影响的模型——将两个模型的预测浓缩为一个数字。现在，研究人员可以快速对变异进行排序，同时解读其分子效应。

我们信赖的外部合作者已经使用 AlphaGenome Atlas，在未解决的罕见病研究中识别并通过实验验证了关键变异，并找到了与常见性状相关的罕见变异。

AlphaGenome Atlas 今日可通过一个直观的网站门户、我们的 AlphaGenome API、以及作为 Google Antigravity 中的一项技能使用。

AlphaGenome Atlas

AlphaGenome Atlas 是一个庞大的 1 PB 数据集，比 AlphaFold Database 大 30 多倍。我们在 2022 年扩展 AlphaFold Database 时，将可用的 3D 结构信息从约 190K 个实验结构增加到超过 200M 个结构预测——覆盖了科学界已知的几乎所有已编目的蛋白质。该数据库提供了一个无需编码经验的研究人员也能使用的门户，提供直观的可视化，并使大规模蛋白质结构分析更容易开展。它很快成为推动生命科学各领域发现的重要资源，并持续加速研究人员在无数领域的重要工作。

在构建 AlphaGenome Atlas 时，我们也希望让预测更易获取，并为科学家提供一种直观的方式来探索这一庞大的数据集。

AlphaGenome Atlas 提供了多种强大且相互关联的资源，使研究人员能够将变异直接关联到它们所扰乱的功能性 DNA 序列。

• 分子效应预测 Atlas 包含针对每个变异的数千项分子效应预测，涵盖基因调控的多个重要方面，覆盖数百种人类和小鼠细胞类型与组织。这是进一步利用其他资源的起点。
• AVI 评分 一个描述每个遗传变异影响的单一数字。
• AVI 特征归因 每个 AVI 评分也与驱动该评分的不同生物学特征相关联，例如 AlphaGenome 预测的基因调控方面，或来自 AlphaMissense 的蛋白质影响评分。
• DNA 序列基序 一个包含超过 2,500 个反复出现的 DNA 序列（即基因组中的“词”）及其位置的综合集合。

这些资源共同支持研究人员开展广泛的遗传学研究任务，从快速变异排序到深入探究变异功能。

广泛的社区协作指导了 AlphaGenome Atlas 的设计。AVI 评分帮助研究人员基于变异的潜在影响快速评分并排序。关键在于，它同时适用于编码区（基因组中编码蛋白质的 2%）和非编码区（其余 98%），后者协调基因活性并包含大多数与性状相关的变异。

我们的测试表明，AVI 评分在许多变异致病性和罕见病基准测试中提供了同类最佳性能。为帮助解读这些评分，我们还计算了 AVI 特征归因，突出显示每个变异预计最可能扰乱哪些分子过程——如 RNA 剪接或基因表达。

现实世界影响：从罕见病到群体遗传学和分子生物学

AlphaGenome Atlas 提供了基因组的高分辨率全球视图。这些大规模预测在应用于有针对性的研究问题时最为有用。通过将这些数据转化为可操作的生物学洞见，我们的学术合作伙伴已经在揭示遗传变异与疾病之间的联系。

理解未解的罕见病。 理解罕见病的一大障碍，是在成千上万个候选变异中找出少数致病变异这一艰巨任务。研究人员与 GREGoR Consortium 合作，应用 AVI 评分来优先筛选这些如大海捞针般的遗传变异，用于未解罕见病研究。当 Broad Institute 的 Laura Covill 和 Anne O’Donnell-Luria 及其同事使用 AVI 评分来优先筛选此前研究中被忽视、会导致罕见病的变异时，团队发现了一个影响名为 DNM1 的基因的变异，该基因与癫痫性脑病密切相关。

至关重要的是，AVI 评分背后的 AlphaGenome 预测准确显示了该变异的作用方式：它产生了一个错误的剪接位点（细胞遗传指令中的一个错误），导致生成的蛋白质出现异常延长。实验筛选验证了这一研究预测，并发现了附近具有类似影响的变异，表明 Atlas 是理解有影响力的基因组变异的强大工具。

绘制与蛋白质水平和复杂性状相关的罕见变异图谱。 AlphaGenome Atlas 不仅可用于个体罕见病研究，还能帮助揭示普通人群中常见性状的遗传结构。识别哪些罕见的非编码变异与特定性状或疾病相关是出了名的困难，因为大量无害的遗传变化会形成统计学上的“背景噪声”。

为了测试 AlphaGenome Atlas 如何提升我们发现影响人类性状的非编码变异的能力，埃克塞特大学医学研究委员会研究员 Gareth Hawkes 将 AlphaGenome Atlas 应用于超过 54,000 名 UK Biobank 参与者的全基因组数据，使这些难以捕捉的信号更加明显。通过根据预测的分子效应对罕见变异进行分组，Hawkes 发现的非编码遗传关联增加了 22%，否则这些关联在统计噪声中将无法被检测到。这让 Hawkes 能够精准定位驱动人体内循环关键蛋白丰度的特定调控变异，包括 PLA2G7（与衰老相关）和 EGLN1（一种重要的细胞氧气传感器）。

在进一步推进这一方法时，Hawkes 使用 AlphaGenome Atlas 研究 UK Biobank 中数亿个非编码变异可能如何与体重指数相关。通过聚焦 Atlas 预测最具影响力的 1% 非编码变异，他识别出 19 个遗传区域，这可能有助于指导下一阶段针对这一性状的靶向研究。

识别基因组中的调控“词汇”。 Atlas 还可用于识别哪些反复出现的短序列（即基序）在不同细胞类型中、针对不同基因驱动不同的分子过程。这些基序可以提供关键线索，例如定位转录因子（开启或关闭基因的蛋白质）的结合位点，并为非编码变异提供额外解读。例如，Stowers Institute for Medical Research 的 Julia Zeitlinger 和 Melanie Weilert 使用这一资源，对哪些转录因子只影响 DNA 的可及性、哪些转录因子还能够开启和关闭基因进行了分类。

加速基因组发现

通过 AlphaGenome Atlas，我们正在创建新的信息层，以帮助进一步理解人类遗传密码。我们希望这将成为科学家的宝贵资源，但我们也将其视为一个基线，而不是终点。随着 AlphaGenome 等 AI 模型的改进，我们对整个人类基因组的图谱将变得日益全面和精确。

AlphaGenome Atlas 单独使用时功能强大，但它也代表着朝我们为生物学家提供广泛、统一解决方案这一愿景迈出的一步。它的资源可以集成到我们更广泛的智能体系统中，例如 Google Antigravity，以帮助增强端到端的科学工作流。

同样重要的是，AlphaGenome Atlas 的科学知识应被广泛获取，因此从今天起，我们已通过我们的网站向非商业用途开放，并且很快将在 Google Cloud 上提供商业用途。（AlphaGenome 基础模型已经可在 GitHub 上以及通过 AlphaGenome API 供学术用途使用，也可通过 Cloud via Model Garden 供商业用途使用）。

这些工具将共同使研究人员和行业合作伙伴能够加快生物学发现的步伐：寻找新的治疗靶点，更好地理解遗传疾病，并推动下一波有针对性的实验验证。

致谢

我们感谢来自 University of Exeter、Broad Institute、Boston Children’s Hospital、Stowers Institute for Medical Research、Harvard University、Memorial Sloan Kettering Cancer Center、Massachusetts General Hospital 的 Center for Genomic Medicine 以及 University of Kansas Medical Center 的研究合作者。

这项工作得益于 Jun Cheng、Kyle R. Taylor、Lauren Nicolaisen、Joshua Pan、Clare Bycroft、Matteo Perino、Tom Ward、Raina W. Thomas、Natasha Latysheva、Gareth Hawkes、Laura E. Covill、Melanie Weilert、Maile J. Hirschmann、Xi Dawn Chen、Robin N Beaumont、V Kartik Chundru、Michael N Weedon、Simon Bourdareau、Hoyin Chu、Dhavi Hariharan、Thais Kagohara、Lucas Tenório、Yosuke Ushigome、Amanda Stafford、Courtney A. Shearer、Barbara Ikica、Ada Fang、Mouad Naciri、Victoria Johnston、Richard Green、Elisa Lai Hong Wong、Vincent Dutordoir、Anne Mottram、Adam Gayoso、Eirini Arvaniti、Guido Novati、Heidi L. Rehm、Fei Chen、Caleb A. Lareau、Caroline F Wright、Anne O'Donnell-Luria、Julia Zeitlinger、Pushmeet Kohli、Žiga Avsec 的贡献。

我们要感谢我们的队友和合作者提供的技术支持与反馈，包括 Kathryn Tunyasuvunakool、Alexander Karollus、Risha Patel、Francesca Pietra、Alisha Eastep、Doga Fadillioglu、Charlie Taylor、Raphael Aboyeji、Uchechi Okereke、Gemma Gibbs、Olufemi Duduyemi、Juan Mateos-Garcia、Mariana Felix、Sahar Abdulrahman、Antonia Mould、Rachael Tremlett、Chang Yun、Salil Deshpande、Anshul Kundaje、Samantha Bryen、Greg Findlay、Phoebe Dace、Kinga Bujakowska、Emma Sherrill、Aubrie Soucy Verran、Boxun Zhao、Tim Yu、Francesca Pietra、Brendah Namugamba、Cassie Gray、Daniel MacArthur、Lingyi Wang、Marc Mansour、Mohamad Hajjari、Mounica Vallurupalli、Philip Montgomery、Phoebe Dace、Roisin Sullivan、Sam Bryen、Teresa Niccoli、

最后，我们要感谢 Evie Gray、Adriana Fernandez Lara、Alex Wilkins、Danielle Breen、Mariana Montes、Inês Ayer、Ryan Smith、Ross West 和 Gaby Pearl 在传播这项工作方面提供的专业支持。

AlphaGenome Atlas 提供的信息无意替代专业医疗建议、诊断或治疗，也不构成医疗或其他专业建议。AlphaGenome 尚未经过任何临床用途的验证，也未获准用于任何临床用途。