图 | 研究人员在基因数据可视化前核对证据的

9 月 8 日，Google DeepMind 发布 AlphaGenome Atlas。官方称，这个平台预先计算了人类基因组约 90 亿种可能的单核苷酸变异，也就是每一个 DNA 字母可能发生的单点变化，并把预测结果做成可检索的图谱，面向学术研究免费开放网页入口和 API。

这是一项重要的研究基础设施，但不是“人人都能拿基因结果自动看病”。它真正缩短的是科学家从海量候选中寻找线索的时间；要把线索变成可靠的医学结论，至少还要过三道关。

图 | 科研团队从海量变异中筛选值得验证的候选

人类基因组里，一个字母变化可能影响基因表达、RNA 剪接或染色质状态，也可能几乎没有实际影响。过去，研究人员常常要在庞大的候选清单中逐个排查；AlphaGenome Atlas 的价值，是先给这些候选建立一张可搜索、可排序的“可能影响地图”。

DeepMind 介绍，Atlas 还提供 AlphaGenome Variant Impact（AVI）分数，把 AlphaGenome 对调控影响的预测与 AlphaMissense 对蛋白变化的预测合并，帮助研究人员更快决定“先验证谁”。这能提高筛选效率，却不能自动证明某个变异导致了某种疾病。

原因很简单：模型学到的是已有数据中的规律，预测的是分子层面的可能影响。真实疾病还会受到其他基因、发育阶段、生活环境和组织类型等因素共同影响。分数越高，通常越值得优先研究，但“值得研究”与“已经证实”是两句话。

对研究团队来说，正确用法是把它当成候选排序器：先看模型指出了什么，再回到患者表型、家系信息、已有文献和实验数据中核对。对普通人来说，看到一项高分预测时，第一句要问的不是“我会不会得病”，而是“这项结果有没有经过独立验证”。

图 | 实验人员用细胞实验验证AI提出的基因线索

AlphaGenome 官方 API 文档写得很明确：相关预测只用于理论建模和研究，不得用于临床决策，也不能被当作医疗或其他专业建议。这个边界比“模型准不准”更重要，因为同一项结果在研究场景和就医场景里的责任完全不同。

研究人员可以用它提出假设，例如某个变异是否可能改变某类细胞中的基因表达；临床医生则需要结合检测质量、疾病表现、家族史、专业指南和经过验证的数据库，才能判断一项变异是否具有医学意义。

如果个人基因报告里出现“风险”“致病可能”或“意义未明”，不要把字母序列直接粘进任意聊天机器人求结论。基因数据高度敏感，误读还可能造成不必要的恐慌。更稳妥的做法，是先确认检测机构、样本质量和报告用途，再由具备资质的临床遗传或相关专科人员解释。

对医院、科研机构和健康企业而言，上线这类工具前也要补上用途说明、数据授权和人工复核：谁可以查询，哪些数据可以上传，输出只能用于哪一步，什么情况下必须停止自动化并转交专业人员。

图 | 遗传咨询场景中医生与家庭共同解释报告边界

DNA 变异不是脱离情境的标签。同一个变异在不同组织、不同发育阶段和不同遗传背景中，可能呈现不同影响。Atlas 提供的是大规模、预计算的研究线索，不是对某个具体人的完整解释。

DeepMind 称，外部合作团队已用 Atlas 在未解决的罕见病研究中筛出并通过实验验证关键变异，也发现了与常见性状相关的罕见变异。这说明它可能显著加快发现过程；同样重要的是，官方把“实验验证”写进了结果链条，而没有把预测本身当作终点。

一个稳妥的三问清单是：第一，这个结论来自模型预测、实验结果，还是临床共识；第二，它针对哪种细胞、组织和人群，能不能外推到当前个体；第三，如果判断错误，谁负责复核，下一步用什么证据纠正。

对普通读者，今天最值得记住的不是 90 亿这个大数字，而是一条判断原则：AI 在科学中的突破，常常先发生在“缩小搜索范围”上，随后才可能进入“改变真实决策”。把中间的验证链保留下来，才是真正尊重技术，也尊重生命。

如果你所在的团队准备把 AI 引入科研、教育或专业工作流，可以先为每一种输出标注“预测、验证、决策”三个层级。层级不清，就不要让自动化越过人工审核。

如需建立可追溯、可验收的 AI 工作流，可了解《人工智能系统化应用指导师》。咨询热线：13969068608。

◆Google DeepMind，AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome，2026-09-08：https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

◆Google DeepMind AlphaGenome API 官方仓库，2026-09-15 核验：https://github.com/google-deepmind/alphagenome

◆Avsec 等，Advancing regulatory variant effect prediction with AlphaGenome，Nature 649, 1206–1218，2026：https://www.nature.com/articles/s41586-025-10014-0