AlphaGenome：DeepMind 如何把基因组变异变成可检索的分子影响图谱

一、嘉宾背景

这期节目是 Two Minute Papers 于 2026-10-07 上传的访谈，题为《DeepMind's New AI Just Cracked The Code Of Life》。标题带有明显的节目包装感；正文证据支持的主题更具体：主持人以学习者姿态访问 DeepMind 的 Pushmeet，讨论 AlphaGenome 和 AlphaGenome Atlas 如何预测基因组变异的分子后果。这里的“cracked the code of life”应理解为节目框架和主持人的兴奋表达，而不是“生命代码已被彻底破解”的独立事实。

受访者 Pushmeet 的可用背景来自访谈证据：他与 DeepMind 相关，讨论的是 DeepMind 的 Alpha Genome / Alpha Genome Atlas。证据没有提供他的完整头衔、履历或个人研究年表，因此本文只将他定位为代表 DeepMind 解释该项目的嘉宾。这个限定很重要，因为节目价值不在于补充人物传记，而在于他如何说明 AlphaGenome 的目标、训练方式、评估边界和后续方向。

访谈讨论的是一个面向科研的基因组模型，而不是大众医疗产品发布。Pushmeet 将 AlphaGenome 定义为预测基因组变异的机器学习模型，并把问题放在疾病研究和医学理解的背景中：每个人的基因组配方相似但并不完全相同，关键是理解这些差异在细胞和分子层面意味着什么。

二、本期主要内容

节目主线从一个基础比喻开始：Pushmeet 将基因组称为“生命食谱”。在人类身上，这份食谱约有三十亿个字符；如果其中一个字符发生变化，AlphaGenome 试图预测这种变化会如何影响细胞性质，并可能怎样进一步关联到生物体层面的结果。不过，访谈没有把这种能力描述成一步到位的疾病判定器，而是反复强调中间层：基因组变异先影响分子表型，之后才可能与疾病易感性、复杂性状或治疗设计发生联系。

为了让非专业听众理解基因组为何不只是“编码蛋白的代码”，Pushmeet 将其拆成两部分：一部分像配料表，说明哪些蛋白会被合成；另一部分像调配步骤，决定蛋白在什么时候、什么位置、以多少量表达。他还提到，人类蛋白质组约有两万个蛋白，由基因组编码；但非编码调控区域同样关键，而且更暗、更少被理解。节目正是从这个暗区切入：如果某个 A 变成 T，或者 T 变成 C，模型要判断这种局部改变会怎样影响剪接、表达等细胞机制。

主持人用健身研究中的个体差异引出问题：年龄、身高、训练和饮食相近的人，增肌结果仍可能相差很大。Pushmeet 接住这个问题，但回答更谨慎。他承认基因组差异可能帮助解释人与人之间的差异，同时区分了单突变疾病与多基因性状。镰状细胞贫血被他作为一个例子：某个特定突变会导致疾病，其机制也较清楚；但许多当代医学关心的问题，是多个变异共同作用的结果。因此，AlphaGenome 的当前定位更像是把单个变异映射到分子表型，而不是直接从一个人的基因组推出完整健康命运。

技术部分集中在“看得远，也看得细”。Pushmeet 解释，变异的影响不一定只发生在相邻序列，因为三维相互作用可能让较远区域参与调控。相比 Enformer 这类此前模型使用较小上下文窗口和较粗分析分辨率，AlphaGenome 被他说成能够在碱基分辨率上处理一百万碱基上下文窗口。主持人还提到，AlphaGenome 在 26 个变异效应基准中有 25 个匹配或击败最强比较模型；Pushmeet 则将结果归因于多年项目中对数据、架构、训练和评估的积累，而不是一次偶然突破。

三、核心观点：推理、例子与边界

这期访谈的核心，不是把 AlphaGenome 说成能直接判定“某个突变导致某种疾病”的系统，而是说明它如何把基因组变异转化为更接近机制层面的分子预测。Pushmeet 反复把预测对象放在剪接、剪接位点、基因表达等层面，因为这些表型比疾病标签更贴近细胞内的物理和调控过程。由此形成的推理链条是：如果模型能在分子表型上较可靠地判断一个变异的影响，研究者就能更有效地追踪疾病路径、表达调控和潜在治疗靶点；但如果跳过这个中间层，直接把模型输出解释为诊断结论，就超出了节目证据支持的范围。

第二个关键点是“百万碱基窗口加碱基分辨率”。主持人把早期模型的局限概括为要么看得太近，要么看得较远但不够精细；Pushmeet 接受这一判断，并解释说，基因组中的一个碱基并不只影响身边一小段序列。由于三维相互作用，较远片段也可能参与某个变异的后果。因此，模型既要保留单个碱基变化的细节，又要覆盖足够大的序列上下文。AlphaGenome 被称为首次同时做到这两点的模型，这也是节目将它与 Enformer 区分开的技术理由。

跨物种训练提供了第三个推理支点。AlphaGenome 使用人类和小鼠基因组训练；Pushmeet 的解释不是“小鼠等同于人类”，而是说，如果只使用人类数据，神经网络可能记住只适用于人类基因组的模式。加入小鼠这一不同基因组背景后，模型需要解释不同语境下的相似效应，从而学习更一般的生物学原则。他将这与迁移学习联系起来：相关但不同的问题可以帮助模型抽取概念。这个说法支持“泛化能力可能提升”，但并不自动证明模型已经掌握完整因果机制。

AlphaGenome Atlas 则把模型能力转化为基础设施。Pushmeet 说，Atlas 像一本变异字典：人类约三十亿个碱基，每个位置可替换为另外三种碱基，因此约有九十亿种可能的单核苷酸变异。Atlas 预先计算这些变异对剪接、基因表达等分子性质的影响，并将 PB 级数据集提供给科研界。主持人将其类比为 AlphaFold 数据库时刻；Pushmeet 补充说，AlphaFold 数据库曾覆盖约 2.5 亿个蛋白结构预测，被 190 个国家超过 400 万用户使用，而 AlphaGenome Atlas 的规模是 AlphaFold 数据库的 30 倍。这里的重点不是“数据库越大越真实”，而是当推理质量和速度达到一定水平后，预计算可以改变科研工作流。

节目还给出两个具体使用信号。其一，主持人引用论文结果称，在百万碱基上下文中，对影响基因活性的突变，预测效应大小与观察效应大小的 rho 约为 0.5；Pushmeet 同意，AlphaGenome 往往不只是判断突变是否重要，也能大致预测影响幅度。其二，Pushmeet 介绍 AVI 分数：高分提示科学家应仔细分析某个变异，低分则表示模型对该变异不会在多种表型上产生剧烈影响有较高信心。这里仍需谨慎：rho 数值和 AVI 分数都是节目中引用或解释的评估与筛选信号，不能改写为对任意临床结局的确定预测。

关于机制与相关性的边界，Pushmeet 的回答保留了这期节目最重要的谨慎。他承认，计算生物学的一大挑战正是避免模型只学到统计相关；他的辩护是，AlphaGenome 预测的是分子层面的性质，而这些性质可以从生物物理角度解释，部分预测也可以进入实验室验证。他同时承认，模型内部究竟如何完成这些预测仍在解释之中。换言之，节目支持的结论是：AlphaGenome 可能为机制研究提供更好的入口和候选假设，而不是已经完成从序列到因果生物学的全部证明。

最后，Pushmeet 将“解读基因组”称为根节点问题，因为它可能外溢到疾病理解、治疗方式、表达控制、合成生物学和 DNA 语言模型。他还谈到虚拟细胞、模拟生物体、长期气候理解、能源材料、大脑理解和超导等更广方向。这些内容体现的是他对 AI 科学能力的长期判断，不能与 AlphaGenome 已验证的能力混同。更稳妥的读法是：AlphaGenome 是 AI 科学基础设施化的一个案例，而不是同一技术路线已经解决所有自然科学难题的证明。

四、学习与应用

对科研读者来说，最直接的用法是把 AlphaGenome 当作变异优先级工具，而不是结论机器。面对大量候选变异时，研究者可以先查看 Atlas 中的预计算结果，关注剪接、表达等分子表型变化，再结合 AVI 分数筛选值得实验验证的对象。高 AVI 分数适合作为“需要仔细分析”的信号；低分数可帮助排除一批模型认为不太可能产生剧烈分子影响的变异。但这种工作流的前提，是研究问题确实落在模型支持的分子表型范围内，而不是要求它直接给出疾病诊断或个人健康预测。

对医学和生物技术团队来说，访谈给出的应用边界同样清楚。若目标是理解某条疾病通路中哪些变异可能影响相关蛋白表达，AlphaGenome 的长上下文和碱基分辨率可能提供有价值的候选解释；若目标是设计治疗策略，模型输出仍需与实验、临床知识和疾病机制共同使用。Pushmeet 说 AlphaGenome 可能帮助理解和治疗疾病，也可能提示哪些位置控制了疾病通路中的蛋白表达，但他没有将其描述为独立治疗设计系统。因此，合适的部署位置是在发现、筛选、假设生成和实验设计前端，而不是最终决策环节。

对机器学习从业者来说，这期节目提供了三个可迁移的设计经验。第一，任务定义要贴近可验证的中间变量：AlphaGenome 不从序列直接跳到疾病标签，而是预测剪接、表达等分子性质。第二，尺度指标要同时看窗口和分辨率：在基因组任务中，只增大上下文而丢掉碱基层面细节，或只看局部高分辨率，都可能不够。第三，多域训练要服务于泛化，而不是简单堆叠数据：人类与小鼠共同训练的价值，在 Pushmeet 的解释中，是迫使模型寻找跨背景成立的原则。

对普通读者来说，最有用的理解方式是保留“食谱”比喻，同时避免过度简化。编码区像配料表，告诉细胞能制造哪些蛋白；非编码调控区像步骤和火候，决定何时、何地、以多少量表达。某个字符变化有时几乎没有影响，有时非常关键；单突变疾病和多基因性状也不是一回事。阅读类似新闻时，可以先问三个问题：模型预测的是分子层面还是疾病层面？证据来自预计算、基准测试还是实验验证？它处理的是单个变异，还是多个变异共同作用后的个体结果？

未来应用的最大边界，是细胞上下文和层级连接。Pushmeet 明确说，不同细胞的行为不同，AlphaGenome 还需要更好理解预测发生的上下文；团队也要扩展训练数据、提升不同属性上的准确性，并把分子表型与人体或生物体层面的疾病倾向连接起来。因此，越接近临床结论、个体预测或复杂性状解释，越需要额外证据。AlphaGenome Atlas 的强项，是把庞大的变异空间变成可搜索、可筛选、可进入实验跟进的图谱；它的限制也正来自这里：图谱不是人体，分子信号不是完整命运，模型置信度也不是因果证明。

来源

• 原始节目：DeepMind's New AI Just Cracked The Code Of Life