摘要： Google DeepMind 在 2026 年 9 月 8 日發表 AlphaGenome Atlas，預先計算全基因組 90 億種單字母變異的分子效應預測，形成約 1 petabyte 的可查詢資源。AVI 分數涵蓋編碼與非編碼區並附可解讀特徵，研究團隊已用它找到與癲癇性腦病變相關的 DNM1 變異。
基因體學長年卡在一個矛盾的處境：定序技術已經能讀出一個人的完整 DNA，可是面對 90 億種可能的單字母變異，實驗室不可能逐項做實驗驗證。Google DeepMind 在 2026 年 9 月 8 日發表的 AlphaGenome Atlas，做法就是把這件做不到的事，事先用 AI 算好，改成一個可以查詢的資源。
嚴格說，這次端出來的不只是又一個模型，而是一份 1-petabyte 規模的資料集，體積超過 AlphaFold Database 的 30 倍。站在產品建造者的立場，真正該看的不在模型本身，而是他們怎麼把模型輸出包裝成研究人員每天真的會用的東西——一個免費的網站入口、一組 API，還有一個能裝進 Google Antigravity 的 skill。
從逐一分析單一變異，走向全基因組地圖
AlphaGenome 模型本身早就能評估某個特定變異會造成什麼影響，麻煩在於研究人員通常得先知道該往哪裡看。AlphaGenome Atlas 的設計重點，是把 AlphaGenome 的預測在整個基因組上先跑一遍；使用者不必自己操作模型，就能查看所有變異的分子效應。
這個轉向背後的想法，接近從「提供工具」變成「提供基礎設施」。我們在結構化資料擷取工具指南裡談過，好的工具應該讓使用者的注意力留在問題本身，而不是底層技術。Atlas 的網站入口讓不寫程式的研究人員也能上手，這樣的路線與當年 AlphaFold Database 的選擇如出一轍。
AVI 分數：把複雜預測收斂成一個數字
為了讓變異可以快速排序，DeepMind 提出 AlphaGenome Variant Impact（AVI）分數。它把 AlphaGenome 與 AlphaMissense 兩邊的預測合併起來，適用範圍同時涵蓋編碼區（約占基因組 2%）與非編碼區（剩下的 98%），而與疾病相關的變異，大多就落在後面這一大塊。
更好用的是 AVI feature attributions——每一個分數都會拆成可解讀的生物特徵，比方 RNA 剪接或基因表現受到的破壞程度。研究人員因此不只知道某個變異有影響，還能看到影響是透過哪個機制發生的。
這種「先給一個總分、再附上細部拆解」的做法，和我們在小型語言模型的企業應用裡談的「先看層級、再看細節」是同一個道理。使用者先靠分數把高影響力的變異挑出來，再往下追機制，效率遠高於直接埋進一堆原始預測數據裡。
實際案例：罕見疾病與群體遺傳學
AlphaGenome Atlas 到底有沒有用，終究要靠真實研究來檢驗。DeepMind 的合作團隊已經靠它找出一些關鍵變異：
- 罕見疾病：Broad Institute 的團隊在未解的罕見疾病研究中，用 AVI 分數找到一個影響 DNM1 基因的變異，這個基因與癲癇性腦病變高度相關。實驗結果支持了預測，他們也在附近找到效應類似的變異。
- 群體遺傳學：University of Exeter 的研究人員分析超過 54,000 名 UK Biobank 參與者的全基因組資料，借助 AlphaGenome Atlas 的分組預測，多找出 22% 原本會被統計雜訊蓋掉的非編碼變異關聯，其中包括與老化相關的 PLA2G7，以及氧氣感應器 EGLN1。
- 調控序列：Stowers Institute 的研究人員使用 Atlas 的 DNA sequence motifs 資源，把轉錄因子分類成兩種——只改變 DNA 可及性的，以及還能進一步開啟或關閉基因的。
從這些例子可以看出，AlphaGenome Atlas 不是紙上資源，而是能直接加快研究腳步的工具。
開放策略，以及還沒解的限制
目前 AlphaGenome Atlas 對學術研究免費開放，商業用途則規劃在 Google Cloud 上提供。學術免費、商業收費的安排，和 AlphaFold Database 的開放路線一樣，著眼點是讓科學影響力最大化。
不過限制也確實存在。DeepMind 自己講得很清楚，這是一份「基線」，不是終點——AlphaGenome 模型之後變強，地圖也會跟著更準。另外，1PB 的資料量雖然可觀，對手上沒有高效能運算資源的研究團隊來說仍可能吃不下；網站入口與 API 分攤掉一部分壓力，但實際用起來順不順，還需要更多回饋。
對產品建造者來說，AlphaGenome Atlas 值得借鏡的地方是：怎麼把一個複雜 AI 模型的輸出，變成使用者能直接操作的產品。預先計算、分數濃縮、特徵歸因——這幾個設計手法，同樣有機會用在我們自己的 AI 產品上。