人类基因组约30亿个DNA碱基对，许多仍是谜。科学家了解编码蛋白的2%，剩余98%有限。阿尔法基因组（AlphaGenome）模型显示非编码区单点变化扰乱分子过程，但大局不明。今天推出阿尔法基因组图谱（AlphaGenome Atlas），用阿尔法基因组AI（AlphaGenome AI）模型预计算90亿单字母遗传改变调控影响，生成1-petabyte数据集，助查询并引入阿尔法基因组变异影响（AlphaGenome Variant Impact, AVI）分数量优先级。
正文
人类基因组包含约30亿个DNA碱基对，但许多部分仍是谜。科学家相对清楚编码蛋白质的2%人类基因组，对剩下98%仅有有限认识。AlphaGenome模型已表明，这些非编码DNA区域的单点改变会扰乱蛋白质生产等分子过程，但更宏观的图景还不明确。
今天推出 AlphaGenome Atlas，一个预测人类基因组中每种可能单核苷酸变异效果的数据库。我们用AlphaGenome AI模型预计算了全部90亿个单字母遗传改变的调控影响，得到1PB的巨型数据集。这个新Atlas帮助科学家快速查询海量信息。
为助研究者迅速浏览，Atlas引入AlphaGenome Variant Impact（AVI）分数。这个易用的分数合并了编码区与非编码区的预测，让研究者无需筛遍数千数据点，就能优先最有前景的研究路径。
赋能研究者解决生物谜题
AlphaGenome Atlas已成为科学界的强大助力，加速以下领域研究：
- 罕见基因组变异： Broad Institute的Laura Covill与团队用AVI分数优先处理未明罕见病的变异。工具标出DNM1基因中的关键变异，预测其制造了错误剪接位点，为成功破案提供了关键佐证。
- 复杂性状： 因统计噪声，找出关联复杂性状的罕见非编码变异很困难。Gareth Hawkes博士将Atlas用于5.4万多名英国生物银行参与者数据，按预测分子效应给变异分组，多发现了22%的非编码遗传关联。聚焦影响最大的前1%变异，他确定了19个与体重指数（BMI）相关的基因区域，指明下一步靶向研究。
向全球研究者与生物学家开放
AlphaGenome Atlas今起通过一个直观的网站门户开放，零编程要求，让全球临床研究员和生物学家都能使用。这是我们持续加速基因组发现与科学进步的承诺部分。
AlphaGenome Atlas提供扎实的基因组洞察，将加快生物发现节奏。
评论
评论区没有一边倒叫好，更多是“领域外无法判断”的观望，以及隐约的不信任。分歧主轴是：这到底算真正的科学研究，还是把已有成果包装成一个可查询产品来博取关注；其次，数据和平台可能被 Google 用于商业或弃养，也是不少人想追问的地方。
预测变准不等于生物学发现，大家更想要懂行的人来讲解
- 有网友承认自己不是干这行的，无法判断用途大小，希望内行来解释这是大进展还是 DeepMind 公关团队的“赢一把”行为。
- 更冷静的质疑是把问题掰开：让模型对基因变体后果的预测更准，和揭示真正的生物学机制，并不是一回事。 > 东西很酷。可这算真的生物学进展，还是仅仅把预测做得更准？两者不是一回事。（@MahiroHirakawa）
非商业授权条款让人怀疑：下一步是不是要卖数据给药企
- 一位网友注意到资料的使用条款只允许非商业用途，而这类数据显然可以用于药物研发，于是直接追问 DeepMind 是否打算向制药公司出售这些数据。
- 这种担心不算阴谋论：当“造福人类”和“只许非商业”并排出现时，人们自然会想谁会是未来的付费者。 > 这不是我的领域，我判断不了它有多大用处。但如果数据真能用于药物发现，而条款又只限非商业用途，DeepMind 是准备把数据卖给制药公司吗？（@mertcikla）
Google 的产品史和“另一张地图”让这个图谱显得可疑
- 有网友把人类基因组图谱联想成 Google 打开的又一个潘多拉魔盒，并预测过不了多久就会被“塞回地毯下面”。
- 最有辨识度的调侃是：做出这份基因组图谱的公司，同时也做出过那张把我导航到湖里去的 Google Maps；玩笑背后是对同一个机构能否长期认真维护项目的天然怀疑。 > Google 要来揭开遗传学的潘多拉魔盒了？要过多久它才会把这东西藏起来？（@WarmWash）
少数人仍愿意相信：DeepMind 是真的想让世界更好
- 有人明确表示自己就是喜欢 DeepMind，认为它确实专注在用 AI 改善世界，而不是单纯追逐商业回报。这股声音人数不多，却让讨论没有完全变成怀疑论。 > 我真的很喜欢 DeepMind，它是真的在专注用 AI 让世界变得更好。（@asxndu）
有价值的补充
- 这次 Google 博客实际上是 DeepMind 博客的浓缩版；评论区有人提醒，真正的新闻不是新论文，而是把一个已经存在的模型预测做成了可查询的“缓存层”，原始方法学内容并未展开。
- 模型预测到底可不可信，公告没有回应；更底层、需要验证的内容来自今年 1 月发表在 Nature 的论文。
- 有做分子生物学的网友觉得，这个发布即使不新也很有用，因为把多个 DeepMind 资源整合成入口后，编程能力较弱、或者分不清 Claude 何时在“一本正经地胡说八道”的研究者也能安全使用。
- 有研究者问能否直接输入 indel VCF 文件来查询；没人当场回答，但这个问题说明大家最想要的是能对接自己数据的实际工具，而不是新闻稿里的宏大叙事。