這是史上最大規模的基因體效應預測地圖，涵蓋 90 億種可能的 DNA 突變，由 AlphaGenome 模型算出後免費開放給學術界。
（前情提要：為什麼 AI 還沒開發出改變世界的新藥？）
（背景補充：Claude 自主設計蛋白質命中率達 35%，Anthropic 加速叩關新藥研發？）
基因體裡潛藏著 90 億種單核苷酸變異，Google DeepMind 這次把它們全部算完。這份取名為 AlphaGenome Atlas 的資料庫足足 1 PB 大，比同門的 AlphaFold Database 大上 30 倍，從今天起免費開放給學術界查詢。
90 億種變異，一次全部打分
這份地圖的核心是一個叫 AlphaGenome Variant Impact 的指標，簡稱 AVI 分數，由 AlphaGenome 與另一個模型 AlphaMissense 的預測結果合併算出。
簡單來說就是，把一長串複雜的分子生物學預測濃縮成一個分數，研究者不用逐一比對數十種指標，看數字就能判斷哪個變異值得深入研究。Google DeepMind 內部測試顯示，這個分數在多項致病性與罕見疾病基準測試中，都拿下同類最佳表現。
每一個 AVI 分數背後還附上一份「AVI 功能歸因」，等於附帶一張明細表，指出這個變異主要衝擊哪一種分子機制，像是 RNA 剪接、基因表現量，或是染色質的鬆緊程度，讓研究者不只知道嚴重程度有多高，還能知道問題出在哪個環節。
AlphaGenome Atlas 同時整理出超過 2,500 種反覆出現的 DNA 序列，也就是 motif，白話說就是基因體裡反覆出現的「常用詞」，能用來定位轉錄因子的作用位置。轉錄因子，簡單來說就是決定基因要開還是要關的蛋白質，能不能抓到這些「詞」落在哪裡，直接決定研究者看不看得懂一段非編碼序列究竟在做什麼。
這份資料庫總容量達到 1 PB，比 Google DeepMind 在 2022 年推出的 AlphaFold Database 還大 30 倍。當年 AlphaFold Database 把蛋白質結構資料從 19 萬筆實驗結構，一口氣擴充到超過 2 億筆預測結構，還提供不用寫程式也能操作的視覺化介面，讓大規模蛋白質結構分析變得容易上手，也因此成為推動生命科學研究的重要資源。
AlphaGenome Atlas 這次的做法如出一轍，用 AI 把原本做不完的實驗，直接批次算出來，再包成一個一般研究者也能點開就用的入口。
大海撈針，現在有地圖
最直接的證明來自罕見疾病研究。GREGoR Consortium 找上 Broad Institute 的 Laura Covill 與 Anne O’Donnell-Luria，用 AVI 分數在成千上萬個候選變異裡，重新篩出過去被忽略的疑似致病變異。
他們鎖定一個叫 DNM1 的基因，與癲癇性腦病變高度相關。AlphaGenome 的預測顯示，這個變異做出了錯誤的剪接位點。簡單來說就是，細胞讀取基因指令時出現了轉折點判讀錯誤，導致下游多長出一截蛋白質。後續的實驗篩檢證實了這個判斷，也連帶找出附近效果類似的變異。
英國 Exeter 大學研究員 Gareth Hawkes 則把戰場拉到族群層級。他把 AlphaGenome Atlas 套用在超過 54,000 名英國生物樣本庫 UK Biobank 參與者的全基因體資料上，依照變異的預測影響分組後，多找出 22% 過去淹沒在統計雜訊裡的非編碼區關聯，成功定位出調控 PLA2G7（與老化有關）和 EGLN1（細胞感應氧氣的關鍵基因）的變異。
他接著只聚焦在系統判定最具影響力的前 1% 非編碼變異上，比對數億筆資料後，鎖定 19 個與 BMI 有關的基因區域，足以指引下一階段的研究方向。這兩個案例合在一起看，說明 AlphaGenome Atlas 不只能在單一家族裡找出致病變異，也能在數十萬人的族群資料中，把原本淹沒在雜訊裡的訊號重新打撈上岸。
地圖之外，還缺一道驗證
美國 Stowers Institute for Medical Research 的研究員 Julia Zeitlinger 與 Melanie Weilert，則用序列基序資源，區分出哪些轉錄因子只負責讓 DNA 鬆開變得容易讀取，哪些能真正讓基因啟動或沉默，這類細節過去得靠一次次實驗慢慢拼湊。
不過 Google DeepMind 自己也承認，AlphaGenome Atlas 是基礎而非終點，未來 AlphaGenome 這類模型愈練愈準，這份地圖也會跟著愈畫愈細，現在的版本並不是最終答案。網站上明白寫著，這些預測未經臨床驗證，不能當作醫療建議，前面 DNM1 案例之所以站得住腳，是因為後續有實驗篩檢跟上，不是算出分數就結案。
目前免費開放的版本僅限學術非商業用途，企業要用得等即將上線的 Google Cloud 商業版，AlphaGenome 的基礎模型本身已經放上 GitHub 供學術界取用，也能透過 Model Garden 供企業商用。Google DeepMind 也把這份地圖當成串連旗下科研工具的一塊拼圖，把它整合進 Google Antigravity，成為科學工作流程裡可以直接呼叫的一項技能，往打造一套統一科研平台的方向靠攏。
📍相關報導📍
Google 人才大失血！諾貝爾獎得主 John Jumper 離開 DeepMind 跳槽至 Anthropic
