Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单字母变异预测

2026年9月8日 科学

AlphaGenome Atlas 团队

预测人类基因组中每一个可能的单字母 DNA 变异的分子影响，将如何帮助我们加速对生物学的理解。

今天，我们推出 AlphaGenome Atlas：一个平台（详见我们的论文），其中包含对人类基因组中 90 亿个单核苷酸变异——即所有可能的单字母改变——影响的预测。这是关于基因突变如何影响分子生物学的最全面的目录，并可通过一个直观且免费使用的网站门户供学术研究使用。

DNA 是生命的语言。掌握它是能够改变我们理解生物学和治疗疾病能力的一项重大挑战。但进展一直受限于一个根本性问题：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 亿个可能的单字母突变，在实验室中逐一测试实际上是不可能的。

Google DeepMind 已通过 AlphaGenome 在这一挑战上取得进展，这是一个能够预测遗传变异如何影响生物过程的人工智能（AI）模型。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中变异的全局视图。

通过大规模预计算 AlphaGenome 的预测结果，我们创建了一个易于访问的资源，极大地扩展了该模型的影响范围。正如地图集是地图的集合，将海拔和位置等土地特征联系在一起，AlphaGenome Atlas 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 变异影响（AVI）评分。AVI 结合了 AlphaGenome 和 AlphaMissense——我们用于预测改变蛋白质的 DNA 变异影响的模型——的优势，将两个模型的预测浓缩为一个数字。现在，研究人员可以同时对变异进行快速排序并解读其分子效应。

我们值得信赖的外部合作者已经使用 AlphaGenome Atlas 来识别并通过实验验证未解罕见病研究中的关键变异，以及发现与常见性状相关的罕见变异。

AlphaGenome Atlas 今天可通过直观的网站门户、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。当我们在 2022 年扩展 AlphaFold Database 时，我们将可用的 3D 结构信息从约 19 万个实验结构扩展到超过 2 亿个结构预测——覆盖了科学界已知的几乎所有已编目蛋白质。该数据库提供了一个门户，让没有编程经验的研究人员也能使用，提供直观的可视化，并使大规模蛋白质结构分析变得更加容易。它迅速成为推动生命科学领域发现的关键资源，并持续加速研究人员在无数领域的重要工作。

在构建 AlphaGenome Atlas 的过程中，我们也希望让预测更易于获取，并为科学家提供一种直观的方式来探索庞大的数据集。

AlphaGenome Atlas 提供多项强大且相互关联的资源，使研究人员能够将变异直接与其所破坏的功能性 DNA 序列联系起来。

• 分子效应预测 Atlas 为每个变异包含数千项分子效应预测，涵盖基因调控的多个重要方面，横跨数百种人类和小鼠细胞类型与组织。这构成了进一步资源的起点。
• AVI 评分 一个描述每个遗传变异影响的单一数值。
• AVI 特征归因 每个 AVI 评分还与其背后的不同生物学特征相关联，例如 AlphaGenome 预测的基因调控方面或 AlphaMissense 的蛋白质影响评分。
• DNA 序列基序 一个包含超过 2,500 个重复 DNA 序列——即基因组的“单词”——及其位置的全面集合。

这些资源共同支持研究人员完成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。

广泛的社区合作指导了 AlphaGenome Atlas 的设计。AVI 评分帮助研究人员根据变异的潜在影响快速评分和排序。关键在于，它同时适用于编码区（占基因组 2% 的蛋白质编码区域）和非编码区（其余 98%），后者协调基因活动并容纳了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的性能。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受破坏的分子过程——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局视图。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见解，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。

理解未解罕见病。理解罕见病的一大障碍，是在成千上万的候选变异中精准定位少数致病变异的艰巨任务。研究人员与GREGoR Consortium合作，应用 AVI 评分对未解罕见病研究中的这些“大海捞针”式遗传变异进行优先级排序。Broad Institute 的Laura Covill和Anne O’Donnell-Luria及其同事利用 AVI 评分对导致某种罕见病、但在此前研究中被忽视的变异进行优先级排序时，团队发现了一个影响名为DNM1基因的变异，该基因与癫痫性脑病密切相关。

关键在于，AVI 评分背后的 AlphaGenome 预测准确揭示了该变异的作用机制：它制造了一个错误的剪接位点（细胞遗传指令中的一处错误），导致所得蛋白质异常延长。实验筛选验证了研究预测，并发现了具有类似效应的邻近变异，表明 Atlas 是理解有重大影响的基因组变异的有力工具。

绘制与蛋白质水平和复杂性状相关的罕见变异图谱。超越单个罕见病研究，AlphaGenome Atlas 可帮助揭示普通人群中常见性状的遗传架构。识别哪些罕见非编码变异与特定性状或疾病相关向来极为困难，因为海量无害遗传变化构成了统计学上的“背景噪声”。

为检验 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 应用于逾 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将罕见变异分组，Hawkes 多发现了 22% 的非编码遗传关联，而这些关联原本在统计噪声中无法被检测到。这使 Hawkes 得以精准定位驱动人体内关键循环蛋白丰度的特定调控变异，包括 PLA2G7（与衰老相关）和 EGLN1（一种重要的细胞氧传感器）。

Hawkes 进一步采用这一方法，利用 AlphaGenome Atlas 研究 UK Biobank 中数亿个非编码变异如何可能与体重指数相关联。通过聚焦 Atlas 预测影响最大的 1% 非编码变异，他识别出 19 个遗传区域，这有助于指导针对该性状的下一阶段靶向研究。

识别基因组的调控“词汇”。Atlas 还可用于识别哪些重复出现的短序列（即基序）在不同细胞类型中驱动不同基因的不同分子过程。这些基序可提供关键线索，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利用这一资源，对哪些转录因子仅影响 DNA 的可及性、哪些还能开启和关闭基因进行了分类。

加速基因组发现

借助 AlphaGenome Atlas，我们正在创造新的信息层次，以帮助加深我们对人类遗传密码的理解。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，而非终点。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越来越全面和精确。

AlphaGenome Atlas 单独来看已很强大，但它也代表着我们朝着为生物学家提供广泛、统一解决方案的愿景迈出的一步。其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程。

同样重要的是，AlphaGenome Atlas 的科学知识应广泛可用，因此我们从今天起通过我们的网站将其开放用于非商业用途，并很快将在 Google Cloud 上开放商业用途。（AlphaGenome 基础模型已在 GitHub 上供学术使用，并可通过 AlphaGenome API 使用，同时也可在 Cloud 上通过 Model Garden 用于商业用途）。

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，并推动下一波靶向实验验证。

致谢

我们感谢我们在 University of Exeter、Broad Institute、Boston Children’s Hospital、Stowers Institute for Medical Research、Harvard University、Memorial Sloan Kettering Cancer Center、Center for Genomic Medicine at Massachusetts General Hospital 和 the 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。

我们感谢我们的队友和合作者提供的技术支持和反馈，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的专业能力。

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 尚未针对任何临床用途进行验证，也未获批准用于任何临床用途。