Transcription
大家好，这里是最佳拍档。
当二零零三年人类基因组测序项目宣告完成时，我们以为终于拿到了破解生命密码的钥匙。这本由三十亿个碱基组成的天书，记录着生命体从生长发育到疾病抵御的全部指令。但是现实是，我们只读懂了其中百分之二的内容，知道这是负责编码蛋白质的区域。而剩下的百分之九十八的非编码区域，因为缺乏有效的解读工具，长期被称为基因组中的暗物质。
这些非编码区域看似无用，却隐藏着基因调控的核心密码。超过百分之九十八的人类遗传变异都发生在这里。许多罕见病、癌症等复杂疾病的致病根源，就藏在这些未被解读的序列中。
二零二六年一月二十八日，权威科学期刊《自然》将封面留给了一项足以改变生命科学研究格局的突破。谷歌DeepMind团队研发的统一DNA序列模型 AlphaGenome。这款被业界称为基因组解码器的AI工具，不仅终结了非编码基因组的解读困境，更实现了从序列读取到功能预测的跨越式进步。
从二零二五年六月首次发布预印本，并且开放API预览，到二零二六年正式登上《自然》封面，并且开源模型代码和权重，AlphaGenome在短短七个月内引发了全球科研界的震动。来自一百六十个国家和地区的科研人员，已经发起超过一百万次API调用。它究竟凭什么成为生命科学领域的游戏规则改变者呢？今天我们就来聊聊这款AI模型的技术内核、应用价值和行业影响。
作为DeepMind Alpha系列的重磅新成员，AlphaGenome并不是一个孤立存在的技术产物，而是对该团队基因组研究脉络的延续和升华。二零二零年，AlphaFold横空出世，解决了困扰生物学五十年的蛋白质折叠预测难题，成功预测了百分之九十八点五的人类蛋白质结构，并且助力团队斩获了二零二四年诺贝尔化学奖。二零二三年，AlphaMissense发布，专注于蛋白质编码区的错义变异分类，填补了编码区变异效应预测的空白。
但是正如华人科学家程军所言，编码区仅占了基因组的百分之二，剩下的百分之九十八的非编码区，仍然是待开垦的领域。这正是AlphaGenome的研发初衷，构建一款能够覆盖全基因组、统一多任务的预测工具，让AI真正读懂生命的完整源代码。
从技术定义来看，AlphaGenome是一款基于深度学习的统一DNA序列模型。其核心功能是接收长达一百万个碱基对的DNA序列及物种信息作为输入，以单碱基或者指定分辨率，预测数千种和基因调控相关的分子属性。同时通过对比变异和未变异序列的预测结果，精准评估基因变异的生物学效应。
这样的定义背后，是一系列打破行业瓶颈的技术创新。我们先从模型的输入输出体系说起。在输入端，AlphaGenome实现了超长序列覆盖的突破。此前的基因组模型要么只能处理短序列，比如SpliceAI仅能够分析有限的长度序列，要么在处理长序列的时候，需要牺牲分辨率。而AlphaGenome直接将输入序列长度，提升到了一百万个碱基对。这个长度足以覆盖基因调控的远程区域，包括增强子和启动子之间的远距离相互作用区域，为捕捉全维度的调控信号提供了基础。
在输出端，AlphaGenome构建了全模态预测体系，涵盖了十一种核心输出到类型，对应五千九百三十条人类基因组的轨迹，和一千一百二十八条小鼠基因组的轨迹。这些输出类型全面覆盖了基因调控的关键环节，包括基因表达相关的RNA-seq、CAGE、PRO-cap数据，详细的剪接模式，剪接位点、剪接位点使用频率、剪接连接点，染色质状态相关的DNase、ATAC-seq、组蛋白修饰、转录因子结合数据，以及染色质的三维接触图。
其中最具有突破性的是剪接连接点预测。这是第一个能够直接从DNA序列预测剪接连接点位置和表达水平的模型。而剪接错误正是脊髓性肌萎缩症、部分囊性纤维化等罕见遗传病的核心病因。这个功能为罕见病病因的研究提供了全新工具。
支撑这样强大的输入输出能力的，是AlphaGenome创新的模型架构设计。它采用了类U-Net的主干架构，融合了卷积层和Transformer模块的优势，形成了局部模式捕捉加长距离依赖建模的双重能力。卷积层负责检测基因组序列中的局部短模式，为精细预测提供了基础。Transformer模块则专注于建模长距离的序列依赖关系，比如染色体上相距较远的增强子和启动子之间的相互作用。这种架构设计最终生成了两种关键的序列表示：一维嵌入，用于线性基因组的轨迹预测；二维嵌入，用于捕捉基因组片段之间的空间相互作用，从而实现了染色质接触图的预测。
更值得关注的是模型的工程实现细节。为了处理一百万碱基对序列的海量计算，团队采用了分布式序列并行技术，将计算任务分配到八个互联的TPU v3设备上，使得模型能够在完整的1兆B序列上，进行单碱基级别的训练。而训练一个完整的AlphaGenome模型仅需要四个小时，算力开销仅为初代Enformer模型的一半。这种高性能加高效率的平衡，让大规模的基因组分析从几个月缩短到几秒，成为了可能。
在训练流程上，AlphaGenome采用了预训练加蒸馏的双阶段策略，这也是它实现高健壮性和高准确性的关键。预训练阶段分为两类模型：折叠特定模型采用四折交叉验证，用四分之三的基因组区段训练，四分之一用于验证测试，主要评估模型在没有见过的基因组区段上的泛化能力；全折叠模型则在所有可用基因组区段上训练，作为后续蒸馏阶段的教师模型。蒸馏阶段，团队训练了一个共享预训练架构的学生模型，通过随机增强处理的输入序列，学习多个教师模型的综合输出。这种训练方式的优势在于，学生模型能够整合多个专业模型的优势，同时实现更强的健壮性和更高的变异效应预测准确性，最终达成单次设备调用，完成所有模态和细胞类型变异效应预测的高效能。在英伟达H一百GPU上，每个变异的预测用时不到一秒钟，远远超过了传统多模型集成方法的效率。
技术架构的创新，最终都要通过性能数据来验证。AlphaGenome在基准测试中的表现堪称碾压级别。研究团队设计了全面的评估体系，涵盖了十四项基因组轨迹预测任务和二十六项变异效应的预测任务。对比对象包括Enformer、Borzoi、ChromBPNet、SpliceAI等当前领域内的顶尖模型，其中多数是为单一任务专门优化的特定模型。
在基因组轨迹的预测任务中，AlphaGenome在二十四项评估中的二十二项，超越了现有的最佳模型。在细胞类型特异的基因表达变化预测中，相比多模态序列模型Borzoi，实现了百分之十七点四的相对性能提升。在染色质接触图的预测中，相比Orca模型，接触图Pearson的相关系数，提升了百分之六点三；细胞类型特异的差异，提升了百分之四十二点三。在转录起始点轨迹的预测中，优于ProCapNet，整体计算数量Pearson的相关系数，提升了百分之十五。在染色质可及性的预测中，ATAC-seq上提升了百分之八，DNase-seq上提升了百分之十九。
在变异效应预测的任务中，AlphaGenome在二十六项评估中的二十四项，达到或者超过了当前的最优水平。RNA表达方向预测，相对提升了百分之二十五点五；剪接因果关系预测，提升了百分之十三点九；DNA可及性因果关系预测，提升了百分之十八；增强子-基因连接预测，提升百分之十三。
更重要的是，AlphaGenome是唯一能够对所有评估模态进行联合预测的模型。它的通用性，打破了一个任务一个模型的行业现状，让科研人员不需要再维护复杂的模型工具箱，通过一次API调用，就能够获得多维度的预测结果。
这些冰冷的数据背后，是生命科学研究效率的革命性提升。以癌症研究为例，在T细胞急性淋巴细胞白血病的研究中，科研人员曾经发现基因组特定位点的突变，但是长期无法明确它的致病机制。借助AlphaGenome，研究团队预测这些突变会通过引入MYB DNA结合基序，异常激活邻近的致癌基因TAL1。这个预测和已知的致病机制完全吻合，展现了模型将非编码变异和致病基因精准关联的能力。伦敦大学学院的马克·曼苏尔教授评价道：“在大规模识别非编码变异的作用时，AlphaGenome提供了关键的拼图碎片，让我们能够更好的理解癌症等复杂疾病。”
除了癌症研究，AlphaGenome的应用场景已经延伸到了生命科学的多个核心领域。在罕见病诊断方面，它能够为非编码区的意义不明变异，提供精准的功能证据，帮助医生判断它的致病性，为孟德尔遗传病等罕见病患者开辟了新的诊断途径。在合成生物学领域，它的预测结果可以指导设计具有特定调控功能的合成DNA，例如设计仅在神经细胞中激活、而在肌肉细胞中保持沉默的组织特异性增强子，实现精准的基因调控。在药物研发领域，它能够加速反义寡核苷酸等基因治疗药物的设计，预测药物的修饰效果，筛选安全有效的候选药物，降低临床前研究的成本和风险。在基础的基因组学研究中，它能够快速定位关键功能的元件，识别调控特定的细胞类型功能的核心指令，帮助科研人员在开展昂贵实验前，筛选最优秀的研究对象，大幅提升研究的效率。
AlphaGenome的发布引发了全球科研界的广泛热议，成为了名副其实的行业里程碑。纪念斯隆凯特琳癌症中心的凯勒布·拉罗博士评价道：“这是一个领域内的一个里程碑，我们首次拥有了一个能够同时兼具长上下文、单碱基精度和顶级性能的模型，并且覆盖了广泛的基因组任务。”弗朗西斯·克里克研究所的基因组学负责人罗伯特·戈德斯通则强调：“AlphaGenome将非编码DNA的高分辨率预测，从理论兴趣转向实际应用，使科学家能够以编程的方式研究和模拟复杂疾病的遗传根源。”
网友和行业观察者也给出了高度的评价。有评论称DNA就是代码，而AlphaGenome就是解读这份代码的软件。还有观点认为这是从认知生命到掌控生命的跃迁，生物学将不再神秘莫测，开始变得可以被编程。DeepMind研究副总裁普什米特·科利则将它定位为“提供人类非编码基因组的全面观点，加深了我们对于疾病生物学的理解，并且开辟了新的研究途径。”
当然，作为一款前沿的科研工具，AlphaGenome仍然存在着自身的局限性。第一，它在捕捉极远端调控元件的影响方面仍然有不足。这些长距离的相互作用，对基因正确表达非常重要，但是建模难度非常大。第二，虽然模型已经能够预测数百种细胞类型的轨迹，但是精准复现不同生理、病理或者发育状态下细胞和组织特有的细微调控模式，仍然需要进一步的提升。第三，物种覆盖范围有限。目前训练数据主要集中在人类和小鼠，对其他物种的泛化能力还有待拓展。第四，预测模态仍然可以更加丰富。当前主要集中在蛋白质编码基因的相关模态上，对非编码RNA等领域的覆盖不足。最后，模型尚未针对个人基因组预测进行基准测试，而且仅仅能够预测变异的分子效应，无法直接涵盖发育、环境等影响复杂疾病的因素，限制了它在复杂性状分析中的直接应用。
针对这些局限性，DeepMind团队已经明确了未来的迭代方向。在数据层面，将通过纳入更多的物种、大规模扰动非编码调控元件等方式，增加输入基因组的多样性，提升模型的泛化能力。在性能层面，将通过任务的特异性校准、在扰动数据集上微调、整合单细胞数据等方式，提升变异预测的准确性和实用性。在模态层面上，计划整合DNA甲基化、RNA结构特征等更多的数据类型，提供更全面的生物学视角。在应用层面，将支持全基因组的关联分析等超大规模研究，预计算更多的变异数据，方便用户调用，并且研究怎么样将海量的原始评分，总结为单一的变异评分，帮助科研人员快速筛选重点的研究对象。在社区赋能层面，团队已经开放了模型代码和权重，鼓励科研社区基于此进行创新拓展。
回顾AlphaGenome的研发历程，可以说是一场历时两年的跨学科攻坚。团队成员来自机器学习、计算生物学、工程技术等多个领域。他们面临的核心挑战，是打破基因组预测领域的不可能三角：长序列、高分辨率、多任务难以兼顾。正如团队核心成员齐加·阿夫塞克的描述，早期的模型要么像望远镜，能看清长序列但是分辨率低；要么像显微镜，能够看到高分辨率，但是视野窄。而AlphaGenome要做的是高清广角镜。
这个突破的关键灵感，来自于一次偶然的午餐讨论。齐加·阿夫塞克和同事圭多·诺瓦蒂在午餐的时候，分享了序列切分技术的想法，将长序列分成子段，用多个TPU并行处理，同时保证TPU间的实时通信。这样既能够降低单个TPU的显存压力，又能够维持长序列的完整性。几天后，圭多·诺瓦蒂用模拟数据跑通了原型，证明了技术的可行性。后续团队又攻克了海量数据吞吐的难题，通过极致的数据压缩技术和严格的质量筛选标准，解决了每秒加载四十到五十GB数据的瓶颈。
在这场攻坚中，华人科学家程军发挥了关键作用。作为AlphaGenome的共同一作，他同时主导了之前的AlphaMissense项目，深耕遗传突变预测领域多年。程军在慕尼黑工业大学计算生物学实验室获得博士学位，高中时侯便被生命体内精妙的分子机制所震撼，立志投身于相关研究。在AlphaGenome项目中，他重点负责剪接预测模块的研发，这个模块被认为是项目中最棘手的部分。剪接是基因正确表达蛋白质的关键过程，突变导致的剪接缺陷会引发多种遗传病。而要预测的剪接连接点是极度稀疏的2D阵列，而不是传统的1D轨迹。最终，在团队的工程支持下，程军成功实现了剪接连接点的直接预测，这个功能也成为AlphaGenome的核心创新点之一。
团队成员汤姆·沃德，则从跨学科视角分享了研发的感受。他表示，作为非生物学背景的研究者，遗传学中的微小DNA变化会引发宏观生物效应的现象，非常有吸引力。而机器学习和计算生物学的交叉领域，正处于爆发式的增长期，充满了创新可能。娜塔莎·拉蒂舍娃则提到，团队在评估模型性能的时候，采用了并行化的策略，每个成员负责一个领域的评估，从数据提取到图表生成全流程跟进，确保了评估的全面性和严谨性。这也让最终的论文长达一百多页，成为一部详细的技术指南。
从AlphaFold到AlphaGenome，DeepMind正在构建一套完整的、AI驱动生命科学的研究体系。如果说AlphaFold解决了蛋白质如何折叠的结构生物学问题，AlphaMissense解读了编码区变异的影响，那么AlphaGenome则攻克了非编码基因组的调控密码。三者层层递进，共同推动了AI在生命科学领域的深度应用。这种逐个击破的模式，正是AI for Science浪潮的核心逻辑，让AI成为科学发现的引擎，而不仅仅是数据分析的工具。
如今，AlphaGenome已经向全球非商业研究用户开放。科研人员可以通过API调用模型，也可以在GitHub上获取代码和权重。截至到目前，这个项目已经获得一千六百多星标和二百一十九次分支，来自一百六十个国家的一百万次API的调用，见证了它在科研社区的受欢迎程度。谷歌CEO桑达尔·皮查伊也在社交平台表达了自豪之情，称AlphaGenome正在加速全球科学的发现进程。
当然，我们也需要理性看待AI在生命科学领域的应用边界。AlphaGenome虽然强大，但它仍然只是一种预测工具，仍然需要实验的验证。而复杂疾病的发生和发展，是基因、环境、发育等多种因素共同作用的结果。AI目前还无法完全模拟这种复杂系统。但是不可否认的是，AlphaGenome已经为我们打开了一扇解读非编码基因组的大门。随着技术的持续迭代和数据的不断积累，AI将在生命科学领域发挥越来越重要的作用。
也许，正如诺贝尔奖得主、DeepMind的创始人德米斯·哈萨比斯所言，“未来十年，AI将会治愈所有疾病。”AlphaGenome的诞生，让我们离这个宏伟愿景又靠近了一步。当我们能够精准解读每一个碱基的功能，准确预测每一个变异的影响，人类或许将真正掌握生命的主动权。从疾病预防到诊断治疗，从基因编辑、设计到合成，生命科学将进入一个全新的时代。
感谢收看本期视频，我们下期再见。