逐字稿文字預覽
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
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：2.6 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：51.6 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.6 秒
關係：依序執行
結果：完成
4. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.7 秒
關係：依序執行
結果：完成
5. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.7 秒
關係：依序執行
結果：完成
6. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.8 秒
關係：依序執行
結果：完成
7. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.8 秒
關係：依序執行
結果：完成
8. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：162.1 秒
關係：依序執行
結果：完成
9. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.2 秒
關係：依序執行
結果：完成
10. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.3 秒
關係：依序執行
結果：完成
手動來源字幕
自動來源字幕
Whisper 字幕
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.source.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。