2026年11月17日
|在“向科学家提问”系列的最新一期中,一位 Google DeepMind 研究科学家解释了我们的 AlphaGenome 和 AlphaGenome Atlas 工具背后的潜力。
Lindsey Lanquist
撰稿人
分享示意图
收听文章 [[duration]] 分钟 此内容由 Google AI 生成。生成式 AI 仍处于实验阶段你的基因组是你身体的说明书:它是一份指导身体如何运作的蓝图。它包含 30 亿个 DNA 碱基对。由于这些 DNA 在一定程度上负责开启和关闭基因,它可能决定一个人是患病还是免于患病。确定哪些 DNA 变化会导致疾病(以及其他结果),就像大海捞针。
示意图。你的基因组,逐点解读。
解码 DNA 序列正是 AlphaGenome的目标,这是 Google DeepMind 开发的一个模型。AlphaGenome 可以接收长度为 100 万个碱基对的局部 DNA 序列,并做出数千项预测。通过比较这些针对 DNA 变化的预测,科学家可以更快地找到那根针。
我们采访了 Google DeepMind 研究科学家 Žiga Avsec,以了解更多信息。
你在 Google 做什么?
ŽA:我是一名研究科学家,负责监督我们的基因组学计划。基本上,我带领一个团队构建模型,帮助我们更好地理解基因组。
你的团队如何让科学家更容易预测和理解疾病?
归根结底,一切都取决于基因组如何运作。它包含 30 亿个 DNA 碱基对。每个碱基对包含两个碱基,我们称之为“字母”。这些字母——A(腺嘌呤)、T(胸腺嘧啶)、C(胞嘧啶)、G(鸟嘌呤)——就像一套生物字母表,拼写出决定一个人之所以为人的遗传说明书。
由于其中任何一个字母都可以被另外三个字母替换,因此存在 90 亿种可能的单字母变化。许多遗传疾病仅仅由其中一个字母发生变化引起。但科学家没有时间开展数十亿项研究来确定哪些变化会产生影响。
因此,我们用 AlphaGenome 预测了全部 90 亿种单字母变化的结果,并创建了一个庞大的数据集—— AlphaGenome Atlas ——以便科学家能更快地决定研究什么。
示意图。示例中的字母为虚构。
是什么阻碍了科学家更好地理解基因组?
虽然科学可以读取人类 DNA 的全部 30 亿个碱基对,但我们仍未完全破译遗传密码的语义——尤其是调控基因表达和疾病风险的非编码“暗物质”。实验研究(也称为湿实验室研究)是帮助我们在理解上取得突破的最佳方式,但它既昂贵又耗时。一项突破可能需要数年时间。
假设你对一名罕见病患者的 DNA 进行了测序。你最终可能会得到 400 万个变异——即他们的 DNA 与标准参考人类基因组不同的 400 万种方式。但问题是:是哪个变异导致了他们的病症?也许你会把列表缩小到只包含罕见变异。但即便如此,你可能仍会剩下数百或数千个选项。
当科学家使用 AlphaGenome Atlas 时,他们会得到一个单一、易于阅读的分数——AVI(AlphaGenome 变异影响)分数——它能即时显示某个变异在整个基因组中的潜在影响。这有助于他们确定优先级,并更容易找到最具破坏性的变化以进行后续研究。
示意图。每个点代表许多变异。分数为虚构。
你能举一些 AlphaGenome 如何影响普通人的例子吗?
像 AlphaGenome 这样的工具让我们从仅仅读取 DNA,转向帮助更好地理解疾病背后的分子机制,为研究人员提供新的线索以供测试,并朝着有朝一日以数字方式模拟完整人类细胞迈出重要一步。
这将在几个方面产生影响。它可以加速研究,帮助社会提高对患有罕见或此前未被表征的遗传疾病患者的诊断和个性化治疗能力。它还可以帮助药物研究人员更快地识别和验证高概率治疗靶点,从而加快药物发现流程。在医疗保健之外,AlphaGenome 的模型架构可以帮助研究人员应对更广泛的社会挑战,包括培育气候适应性作物。
示意图。AlphaGenome 可能提供帮助的几种方式。
AlphaGenome 促成了哪些类型的突破?
AlphaGenome 还相当新。我们于 2025 年 6 月推出它,今年 9 月刚刚推出 AlphaGenome Atlas。但研究人员已经在使用它来推动科学进步。
埃克塞特大学医学研究委员会研究员 Gareth Hawkes 使用 AlphaGenome Atlas 缩小了 10 亿个遗传变异的列表。通过聚焦影响最大的 1%,他确定了 19 个与体重指数相关的变异组,以便在其研究中优先处理。
Broad Institute 研究员 Laura Covill 使用 AVI 分数在其未解罕见病研究中确定遗传变异的优先级。AlphaGenome Atlas 在一个与神经发育障碍相关的基因中识别出一个关键变异,提供了关键的支持性证据,推动了他们的后续研究,包括破解该病例。
你接下来希望做什么?
我们刚刚推出了最新模型, AlphaGenome 2它解决了 AlphaGenome 的一个关键局限:细胞类型特异性。虽然 AlphaGenome 处于最先进水平,但它主要是在来自整个组织或细胞系的数据上训练的。我们知道,这些组织中的单个细胞类型具有非常特定的作用,并可能在疾病中发生功能障碍。AlphaGenome 2 超越了组织层面的平均值,能够预测遗传变异如何破坏这些单个细胞类型,帮助研究人员精确定位疾病的细胞驱动因素。
我们还在积极研究更好的方法来衡量模型对其预测的置信度,以便研究人员知道每个结果的可信程度。从早期分析中,我们看到具有强烈预测效应的变异相当不错,并达到了很高的准确度。一如既往,任何使用 AlphaGenome 的人都应结合其他信息来源来解读其预测。
你在生物学工作的最终目标是什么?
短期内,我们希望利用 AI 更好地理解基因组语法,并准确预测突变的影响。长期来看,我们希望在此基础上构建一个功能完整的人类细胞数字模拟。
这将使研究人员能够通过计算模拟疾病机制、理解罕见遗传病,并测试候选疗法。
发布于:
AI 热点