Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单碱基变异预测

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变化——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，并且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—项重大挑战，可能改变我们理解生物学和治疗疾病的能力。但进展一直受限于一个根本问题：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中变异的全局视图。

通过大规模预计算 AlphaGenome 的预测，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最具影响的遗传变化，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，研究人员可以快速对变异进行排序，同时解读其分子效应。

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，并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 数据库大 30 多倍。当我们在 2022 年扩展 AlphaFold 数据库时，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，并继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 提供了多个强大且相互关联的资源，使研究人员能够将变异直接与其破坏的功能性 DNA 序列联系起来。

• 分子效应预测 Atlas 包含每个变异的数千个分子效应预测，涵盖基因调控的多个重要方面，跨越数百种人类和小鼠细胞类型及组织。这作为进一步资源的起点。
• AVI 评分 一个描述每个遗传变异影响的单一数字。
• AVI 特征归因 每个 AVI 评分还与驱动它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 个重复 DNA 序列——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。至关重要的是，它适用于编码区（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。为了帮助解释这些评分，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。理解罕见病的一个主要障碍是，要从成千上万个候选变异中找出少数致病变异的艰巨任务。研究人员与GREGoR Consortium合作，应用AVI评分来优先筛选这些大海捞针般的遗传变异，以推动未解罕见病研究。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的、导致某种罕见病的变异时，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。

至关重要的是，AVI评分背后的AlphaGenome预测准确揭示了该变异的作用机制：它产生了一个错误的剪接位点（细胞遗传指令中的错误），导致所生成的蛋白质出现异常延伸。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是理解有影响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。超越单个罕见病研究，AlphaGenome Atlas可以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形成了统计上的“背景噪声”。

为了测试AlphaGenome Atlas如何提高我们发现影响人类性状的非编码变异的能力，University of Exeter的Medical Research Council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，使这些难以捉摸的信号更加明显。通过根据预测的分子效应将罕见变异分组，Hawkes发现了多出22%的非编码遗传关联，否则这些关联在统计噪声中无法被检测到。这使Hawkes能够精确定位驱动人体内关键循环蛋白质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）。

进一步推进这一方法，Hawkes使用AlphaGenome Atlas研究了UK Biobank中数亿个非编码变异如何可能与体重指数相关联。通过聚焦于Atlas预测影响最大的1%非编码变异，他识别出19个遗传区域，这可能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的解读。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

通过 AlphaGenome Atlas，我们正在创建新的信息层，这将有助于进一步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。随着我们像 AlphaGenome 这样的 AI 模型不断改进，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 单独来看已经非常强大，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。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程。

同样重要的是，AlphaGenome Atlas 的科学知识应当广泛可用，因此我们从今天起通过我们的网站将其开放供非商业用途使用，不久后还将在 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 供商业使用）。

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。

我们要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的专业能力。

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