一个孩子出生6周后开始癫痫发作
常规基因检测没有找到答案
全基因组测序也没有锁定病因
连血液里的RNA都给不出明确线索
每个人体内有数百万处遗传差异
真正致病的变化可能
只藏在其中一个位置
研究人员面对的难题很残酷
候选项多到几乎无法逐一验证
Google deep mind刚刚发布的alphagenome Atlas
把这个搜索范围提前计算了一遍
它覆盖人类基因组中大约
九十亿种可能的单碱基变化
也就是把约30亿个DNA位置
分别换成另外3种字母
再预测每一种变化可能怎样影响
基因表达RNA剪接和染色质开放程度
整套数据约1PB
规模超过alphafold数据库的30倍
过去需要调用模型逐个分析的任务
如今可以先在一张
预计算地图里查找
这项发布很容易被概括
成人类基因突变数据库
但数据库里装的主要是AI预测
并非九十亿次实验结果
它也没有把每一种突变
与一种疾病直接对应
Alice提供的是分子影响线索
帮助研究者从海量候选中
判断哪些变化更值得进入实验
它改变的是搜索顺序和实验效率
还没有取代临床诊断
人类基因组大约有30亿个DNA字母
一个位置上的碱基如果发生替换
就形成单核苷酸变异
每个位置理论上可以
换成另外3种碱基
因此可能的单字母变化接近90亿种
实验室不可能逐个制造
培养和测量这些变异
即使一次实验只花一美元
成本也会达到90亿美元
现实中的功能实验远比一美元昂贵
还需要细胞类型
培养条件和重复验证
更棘手的地方在于
人类过去比较容易理解
的只是蛋白质编码区
它只占基因组约2%
这些区域像制造蛋白质的句子
碱基改变后可能
直接换掉一个氨基酸
甚至让蛋白提前停止
剩下约98%的非编码区域
长期被误解成无用空间
实际上其中大量序列
控制基因在什么时间
什么组织里打开
又以多大强度表达
许多与疾病和复杂性状相关的变异
恰好落在这片更难解释的区域
一处非编码变异不会简单的写
着导致癫痫或增加糖尿病风险
它可能破坏一个转录因子结合位点
让某个基因在神经元里少表达一点
也可能制造错误的RNA剪接位置
使细胞拼出异常转录本
影响还会随着细胞类型改变
同一个位置在血液里看起来平静
在脑组织里可能非常关键
传统规则很难把这种长距离组织
特异和多层调控同时放进判断
alphagenome的作用就是从DNA序列
直接预测这些分子层变化模型
一次最多读取100万个碱基
在单碱基分辨率上
输出数千项调控特征
输入参考序列以后
它会预测基因起始位置与RNA产量
判断剪接位置和染色质可及性
也会分析DNA是否被特定蛋白结合
把某个位置换成另一种碱基
再对比突变前后的预测差异
就能得到这次变化可能造成的影响
长序列与高分辨率必须同时存在
许多调控元件离目标基因很远
只看附近几百个
字母会漏掉作用关系
如果为了扩大窗口而降低分辨率
又会看不清单个碱基带来的差异
alphagenome用卷积层寻找局部序列模式
再让Transformer在整段序列中交换信息
最后输出不同实验模态的预测
deep mind称
单个变异的多项影响
可以在约1秒内完成评分
模型训练依赖Encode和
Gtex等公共科研项目
也使用了4D nucleus与Phantom的数据
这些项目已经在数百种人类与小鼠
细胞和组织中测量了基因调控现象
Alpha genome
从这些数据里学习DNA序列与
分子活动之间的统计关系
再把规律推广到从未
做过实验的变异上
Atlas则进一步把模型在整个
人类参考基因组上大规模运行
提前计算全部可能的单碱基变化
还加入超过1亿种在人群数据库
中观察到的插入和缺失变异
这里出现了一个重要转变
alphagenome本来是一台分析机器
研究者拿着候选变异去调用它
Atlas把机器的结果
预先铺成基础设施
医生或研究者不需要掌握复杂代码
也能在网页中定位一个基因区域
查看不同碱基替换的预测
需要批量分析的团队还可以使用API
它与alphafold数据库的关系很相似
模型负责计算
数据库负责把计算结果变成整个
科研社区都能检索的公共资源
云计算还有一个容易被忽略的优势
不同实验室过去各自选择
输入窗口组织轨迹和评分方法
同一个变异可能
得到难以比较的结果
Atlas用统一流程处理
整个参考基因组
研究者能够在相同尺度上横向排序
计算资源较少的罕见病
团队不必先租用大量TPU
也能获得基础预测
大型机构仍可调用
模型进行定制分析
基础门槛却明显降低
Atlas覆盖的内容也超过九十亿种
单碱基替换
团队还计算了genomead
英国生物样本库和美国
Allofus等人群项目中观察到
的超过1亿种插入与缺失
此类变异会改变序列长度
分析难度高于单字母替换
论文通过位置偏移
增强方法减少边界误差
再把这些结果纳入统一评分
数据库因此更接近真实
患者会携带的变异类型
九十亿种变化对应的输出仍然太多
每一种变异横跨数百种组织
还可能有数千项分子特征
研究者如果看到一整面信号轨迹
依旧很难迅速排序
Deepmind因此发布了
alphagenome variant impact评分简称AVI
它把alphagenome与alphafold
的优势合在一起
为每个变异生成一个统一分数
让研究者先找到
可能影响最大的候选
再继续查看具体机制
alphafoldsense擅长判断蛋白质
编码区里的错义变异
alphagenome更擅长覆盖调控过程
AVI还加入蛋白质提前
终止起始位点丢失等注释
以及跨物种保守性信息
模型总共使用18类特征训练
其中包括10类Alpha genome分子预测
分数被转换成类似Pre的排序尺度
10分代表进入全部预测
的前12%10分代表前1%
它提供的是优先级
不是患病概率
AVI的可解释性来自特征归因
每个分数都能拆开显示
主要信号究竟来自RNA
剪接与基因表达
还是染色质开放
蛋白质改变或进化保守性
Adler还整理出超过2,500类
反复出现的DNA序列基序
并标出它们的位置
研究者不仅能看到
某个变异分数很高
还能继续追问它破坏
了哪一种调控单词
可能在哪类细胞里产生后果
统一分数很方便
也会压缩复杂性
两个AVI分数相近的变异
背后机制可能完全不同
一个直接破坏蛋白质
另一个只在某类
神经元里轻微改变表达
临床后果不能从排名本身推出
Atlas保留特征归因和原始轨迹
就是为了让研究者从哪个更值得看
继续走到为什么值得看
如果只导出一列分数
系统最重要的解释能力就会被丢掉
AVI还利用跨物种保守性
某段DNA在漫长进化中很少改变
通常说明它承担重要功能
保守性可以提高致病变异排序
却可能掩盖只在人类或特定
灵长类中出现的新调控机制
论文承认
当保守性成为主要驱动特征时
分子解释会变得模糊
未来版本需要在预测准确率
与机制透明度之间继续调整
开头那个癫痫病例展示了
这套系统真正有用的地方
患者携带一个位于DNM
e基因深层内涵子中的变异
DNM1与癫痫性脑病关系密切
可这个变化不在常见
的蛋白质编码位置
还涉及只在脑组织中
使用的特殊转录本
常规检测没有把它挑出来
血液RNA检测也没有看到明显异常
因为相关外显子在
血液中几乎不表达
avi把这个变异排到了候选首位
分数显示主要影响来自剪接
alphagenome进一步预测
它会在谷氨酸能神经元中
制造一个错误的剪接受体位点
让生成的蛋白多出一段异常序列
研究团队随后对目标
区域进行高通量实验
把外显子上游265个碱基逐一改变
并在5种细胞系中测试
实验找到了12个会
造成框内延长的变异
其中包括已经报道的
3个可能致病变异
Alpha genome剪接分数与
实验分类的AUPRC达到0.943
这个结果具有说服力
因为预测没有停在相关性
系统先给出候选位置
再指出脑细胞特异的剪接机制
最后由实验验证
他还解释了血液检测为何失败
罕见病诊断常常卡在这一步
患者身上有大量意义不明的变异
临床团队缺少足够时间
和组织样本逐个研究
论文指出
每名患者平均可能需要
评估400万到500万个候选变异
绝大多数没有危害或意义未知
在已经解决的罕见病病例中
AVI也显示出更好的排序能力
研究团队把已知致病变异重新
放回每名患者的背景变异里
在前50个候选范围内
AVI找回约29.5%的已知致病变异
对比方法CADD1.7约为12.5%
如果先按人群频率过滤
前50名的召回率分别提高到74.3%和61%
这些数字没有让诊断自动完成
却能显著缩短专家
需要人工阅读的清单
Atlas的第二个价值出现
在大规模人群研究
常见性状往往受到
大量微小效应影响
罕见非编码变异的信号
很容易淹没在统计噪声里
埃克塞特大学研究人员把Adles
用于英国生物样本库超过54,000
名参与者的全基因组数据
分析2,028种循环蛋白水平
按照预测的分子作用
筛选并组合罕见变异后
研究发现的
非编码遗传关联增加了22%
其中一个例子涉及Plato G7
这个基因与炎症和衰老研究有关
普通区域筛选会把大量方向
不同或没有功能的变异混在一起
真正信号因此被稀释
研究人员只保留AVI评分最高的1%
候选被压缩到15个碱基
范围内的4个变异统计
关联反而更清晰
alphagenome还预测这些变化会
影响巨噬细胞中的基因转录
使统计关联能够落到
可检验的分子机制上
研究团队又分析身高体重指数
和糖化血红蛋白等复杂性状
针对体重指数
他们聚焦Atlas预测影响
最大的1%的非编码变异
找到了19个值得继续
研究的遗传区域
这个结果仍然属于研究线索
不能拿来给个人计算精确体重命运
它展示的是一种新的统计工具
先用分子预测减少无关变异
再把人群数据的检验能力
集中到更可能有功能的位置
传统全基因组关联研究擅长
发现某片区域与疾病相关
却常常很难解释区域里
究竟哪个变异起作用
相邻DNA会一起遗传统计信号
可能覆盖几十甚至上百个候选
Atlas为每个候选增加分子层说明
帮助研究者设计下一轮实验
药物研发也可能从中受益
因为更清楚的致病机制
可以帮助团队选择靶点
识别适合入组的患者
并减少在错误假设上投入的时间
这种价值尤其适合罕见病
单个疾病患者少
传统统计方法缺乏样本量
功能实验又昂贵
AVI可以先从数百万变异
中提出一小组优先级
再由遗传学家结合家系
信息症状和实验结果判断
它不会替专家做出诊断
却能把专家的注意力
放到更值得看的地方
医疗AI最现实的进步往往就在这里
减少搜索成本
而非直接宣布机器已经理解生命
性能数据同样需要细看
论文显示
AVI在多个Cleanva分类
任务上超过现有方法
针对内涵子单碱基变异AUPRC达到0.76
对比一个主要竞争方法的0.44
同义变异为0.57 对比0.35
三撇非翻译区为0.50 对比0.18
在蛋白质改变变异上AVI为0.90
对比0.86 他也没有赢下所有项目
在5撇非翻译区和某项孟德尔
疾病基准上略低于最佳方法
这种不完全胜利反而更可信
基因组预测不存在一把通吃的尺
不同任务的数据量标签
质量和生物机制差异很大
一个模型在简介上表现突出
未必能同样准确的预测远距离调控
研究者需要根据疾病
与变异类型选择工具
还要保留多个方法交叉比较
把多数基准领先改写
成所有突变都能判断
会直接越过证据
AUPRC也不能被直接读成准确率
它衡量模型在类别极度不平衡时
精确率与召回率之间的综合表现
致病变异远少于良性变异
单看普通准确率
一个把几乎所有候选都判成
无害的系统也可能看起来很高
AUPRC更适合这种任务
但分数仍会随着测试集组成改变
0.76代表在特定内
涵子评测中排序更强
不代表临床判断有76%的把握
论文对10个独立的饱和基因组
编辑实验进行了比较AVI在其中
8项获得最高的斯皮尔曼相关性
把全部实验合并后也取得最佳AUPRC
这类实验会在一小段关键
区域里系统制造大量变异
在测量细胞功能
能够为AI提供接近
真实机制的压力测试
范围仍然有限
10个基因无法代表整个基因组
尤其无法覆盖所有
远距离调控和发育阶段
AVI训练方式也带来限制
团队把在人群中频率高于0.1%
的变异当做相对中性代理
把低于0.1%的罕见变异
当做可能有影响的代理
这个规则利用了
自然选择留下的信号
但罕见不等于有害
常见也不等于完全无影响
模型学到的是一种概率排序
某个高分变异需要结合
患者表型家族遗传和实验
功能才能判断临床意义
offgenome本身也受训练数据覆盖影响
标准RNA测序容易漏掉没有
多聚腺苷尾的非编码RNA
不同细胞类型的数据分布不均
一些疾病相关组织
甚至缺少足够样本
模型主要学习顺式调控
也就是附近DNA序列怎样影响
同一条染色体上的基因
转录因子表达变化等
反式机制没有被直接建模
而这些机制解释着复杂
性状遗传度的重要部分
组织特异性是另一个难点
人体有数百种细胞状态
疾病还会让同一种细胞发生变化
Atlas可以输出数百种
组织与细胞类型的预测
可它不可能覆盖所有发育
阶段疾病环境和治疗状态
开头病例能成功
是因为系统恰好拥有与
谷氨酸能神经元相关的预测轨迹
面对缺失组织数据的疾病
分数可能低估真正关键的变异
论文还提醒
序列基序地图依赖模型预测质量
不能自动证明体内存在直接因果
一个高分基序可能与
真实调控位点重合
也可能只是模型在训练
数据中学到的近似模式
研究团队对部分转录
因子做了实验验证
但2,500多类基序不可能全部完成
验证Atlas适合生成更好的实验假设
最终的生物学结论仍要
回到细胞动物与患者数据
Alpha genome Atlas不能用于个人医疗决策
deep mind在发布页面上明确写明
平台没有通过临床用途验证
也没有获得任何临床批准
不能替代专业诊断或治疗建议
学术研究可以免费使用网页
基础模型和API也提供研究访问
商业用途将通过Google cloud提供
这个安排同时说明
Atlas既是科学资源
也是Google生命科学AI
生态的一块基础设施
它的商业价值可能
晚于科研价值出现
制药公司不会因为一个AVI
分数立即启动临床试验
但可以用它缩小实验范围
诊断公司也不能把
预测直接写进报告
却可以把它与Cleanvar
家系信息和功能实验组合
谁能把基因组预测稳定接近药物
发现患者分层和临床解释流程
谁才会把一拍字节
数据变成真正的生产力
deep mind还把Atlas接进
Google Anti Gravity研究袋里
未来的科研工作流可能
由代理读取病历和文献
再调用Atlas排列候选
设计验证实验并追踪结果
这里产生的变化很深
模型不再只给研究者一个分数
而是逐渐进入从假设到
实验设计的连续流程
alphagenome提供分子预测
AVI压缩优先级
代理系统负责组织步骤
三者合在一起才接近Google
真正想建的科学平台
这条路线延续了alphafold的经验
alphafold解决了蛋白质结构预测
中的一个核心瓶颈数据库
把数以亿计的结构开放给研究社区
alphagenome面对的问题更复杂
因为DNA调控受细胞类型和环境影响
预测结果也更难用一个结构图
表达Atlas仍然选择先大规模计算
再降低查询门槛
Google希望把过去只有少数计算
生物学团队能运行的模型变成
普通实验室也能使用的公共工具
两者之间还有一个关键区别
蛋白质结构通常对应
相对稳定的物理对象
基因变异影响却
经常依赖组织和时间
Atlas里的地图会随着训练
数据与模型更新而改变
它更接近一版持续
修订的天气预测图
而非不可更改的地理测绘
科研人员必须记录使用的
模型版本和数据库版本
否则同一个变异以后
可能得到不同解释
数据规模本身也会带来治理问题
Atlas基于人类参考基因组
HG38进行全基因组计算
而参考基因组无法完整
代表所有人群的遗传多样性
论文提出
未来还要在不同遗传
组员中校准和评估
许多基因数据库长期
偏向欧洲血统样本
如果新模型继续沿用这种分布
预测性能可能在代表
不足的人群中下降
更大的数据库不会自动
消除旧数据里的偏差
参考基因组还会漏掉结构差异
单一线性序列很难完整
表示不同人群携带的大
片段插入倒位和复杂重复区域
91种单碱基变化覆盖了
一个清晰的问题空间
却没有覆盖所有
可能的人类遗传变化
未来更完整的图基因组和
泛基因组参考可能要求Atlas
重新计算一部分地图
发布规模很大
边界仍然明确
数据更新也会改变
研究可重复性的要求
团队在论文中提到
英国生物样本库研究曾因分析
平台临时停机使用略早版本的Atlast
并检查了发布版本与
旧版本之间的相关性
模型和数据库持续更新以后
论文需要保存版本号
查询日期和具体评分轨迹
否则几年后重新查同一变异
研究者可能无法解释
为何分数发生变化
研究资源的开放范围也值得注意
网页目前面向非商业研究免费开放
商业服务将进入Google cloud
公开访问降低了学术门槛
但EPB预计算结果和持续
更新能力仍掌握在Google手中
API可以让实验室快速工作
也可能把越来越多科研
流程绑定到单一云平台
alphagenome的科学贡献十分明确
基础设施集中带来的
依赖同样需要长期观察
对普通人而言
这项发布最重要的意义不在于
马上得到一份基因命运报告
真正变化发生在看不见的地方过去
医生找到一个意义不明的变异后
可能要等待多年文献积累
现在研究者能先查看它对特定
组织简接和表达的预测
再决定是否投入实验
一次诊断仍然需要严格证据
但寻找证据的路线变得更短
对科研机构而言
Atlas把实验资源从广
撒网推向精准验证
九十亿种候选永远
无法全部进入实验
AI的价值是把最可能产生信息
增量的那一小部分提到前面
失败实验不会消失
候选排序只会更合理
随着真实实验不断回流
模型还能发现自己在哪些细胞
哪些调控模式上最容易出错
下一代地图会继续改进
它还可能改变科研竞争的节奏
过去拥有大型计算团队的
机构可以更快跑完变异评分
小型实验室则要
等待合作或购买服务
统一Atlas把第一轮
计算变成公共底座
差距会转移到谁能提出更好的问题
获得稀缺患者样本
并设计高质量验证
算力的重要性没有消失
只是基础预测不再需要
每家实验室重复支付一次
药物公司的决策也可能提前
一个疾病相关区域
如果缺少明确作用机制
团队通常难以判断该瞄准哪个基因
lookalike可以显示某组变异主要
影响哪个组织的表达或剪接
帮助研究人员决定
先做哪类细胞实验
它不会直接给出药物分子
更不会保证靶点有效
却能减少候选机制之间的盲目试错
真正节省的是研发最
早期反复走错方向的时间
Alpha GENOME Atlas也揭示了
科学AI的一条成熟路径
第一步训练模型
预测可测量的生物现象
重点不放在生成一段像论文的文字
第二步把预测扩展到整个问题空间
形成所有研究者都能查询的资源
第三步让独立实验检验关键结果
只有完成这三步
AI才真正改变知识生产
而非增加更多未经验证的答案
开头那个病例给这条
路径提供了一个清晰样本
算法从数百万差异中挑出DNME
生成内涵子变异
预测脑细胞里的异常剪接
又用实验确认该区域的功能
它没有独立完成临床诊断
也没有治愈患者
却让一个长期藏在
非编码区里的机制浮出水面
对罕见病家庭而言
知道病因可能帮助评估复发风险
寻找同类病例
并为未来治疗研究建立起点所以
alphagenome Atlas的突破不在于AI
已经读懂全部人类基因
它第一次把每一种可能的
单字母变化都放进同一套
可搜索的分子预测地图
并把蛋白质编码区与更
庞大的非编码区连接起来
九十亿是计算覆盖的规模
不是已经证实的答案数量
一拍字节是资源体量
也不是临床可靠性的保证
这张地图会把基因
研究的瓶颈向后移动
研究者以后更少困在
应该先看哪一个变异
更多困在怎样用实验确认这项预测
这是更高级的难题
也是科学真正前进的方式
AI把搜索空间压缩
人类负责判断证据
两者各自守住边界
alphagenome Atlas才可能成为
基因组学里的下一座alphafold数据库