AlphaGenome Atlas: Google DeepMind lập bản đồ dự đoán cho 9 tỷ biến thể DNA

Google DeepMind đã công bố AlphaGenome Atlas vào ngày 8/9/2026. Đây là cơ sở dữ liệu có thể tìm kiếm, tập hợp các dự đoán về tác động phân tử của mọi biến thể một nucleotide có thể xảy ra trong bộ gen người — tương đương khoảng 9 tỷ thay đổi một “chữ cái” DNA. Toàn bộ tài nguyên có quy mô khoảng 1 petabyte (PB) và được cung cấp miễn phí cho mục đích nghiên cứu học thuật. 67

AlphaGenome Atlas là gì?

Biến thể một nucleotide (single-nucleotide variant) là thay đổi tại một ký tự DNA. Những thay đổi này có thể nằm trong:

• Vùng mã hóa protein: nơi trình tự DNA góp phần quy định trình tự protein.
• Vùng không mã hóa: những đoạn không trực tiếp tạo protein nhưng có thể kiểm soát gene nào hoạt động, hoạt động khi nào và ở mô nào.

Atlas sử dụng mô hình AI AlphaGenome để tính trước tác động điều hòa dự đoán của toàn bộ 9 tỷ thay đổi DNA một ký tự. Vì thế, thay vì phải gửi yêu cầu hoặc tự chạy mô hình cho từng biến thể nghi ngờ, nhà nghiên cứu có thể tra cứu kết quả đã được tính sẵn. 67

Điểm cần phân biệt là: AlphaGenome là mô hình dự đoán, còn AlphaGenome Atlas là kho tham chiếu có thể tìm kiếm được xây dựng từ các dự đoán của mô hình này. AlphaGenome được phát triển để dự đoán cách các biến thể DNA có thể ảnh hưởng đến những quá trình sinh học liên quan đến điều hòa gene. 21

Bộ dữ liệu 1 PB chứa những gì?

Atlas bao gồm tác động dự đoán đối với khoảng 9 tỷ biến thể một nucleotide có thể có, cùng điểm AlphaGenome Variant Impact (AVI) cho mỗi biến thể. 16

Mục tiêu là hỗ trợ giới khoa học sàng lọc: từ một danh sách dài các khác biệt DNA quan sát được, họ có thể ưu tiên những ứng viên đáng nghiên cứu kỹ hơn. Atlas không đưa ra kết luận lâm sàng, mà cung cấp các tín hiệu dựa trên mô hình về khả năng một thay đổi có ý nghĩa sinh học và về cơ chế phân tử mà nó có thể tác động. 17

Cách truy cập AlphaGenome Atlas

Theo DeepMind, Atlas có thể được truy cập cho nghiên cứu học thuật qua một cổng web trực quan và miễn phí. Cổng này được thiết kế để người dùng truy vấn dữ liệu mà không cần tự chạy mô hình hoặc viết mã. 7

Vì vậy, Atlas phù hợp như một lớp sàng lọc ban đầu: nhà nghiên cứu có thể xem một biến thể ứng viên, kiểm tra các tác động dự đoán, rồi quyết định thí nghiệm chức năng hoặc phân tích di truyền nào nên thực hiện tiếp theo.

Điểm AVI hoạt động ra sao?

AlphaGenome Variant Impact (AVI) là một điểm số duy nhất, được thiết kế để xếp hạng biến thể theo tác động sinh học dự đoán. Điểm đáng chú ý là AVI kết hợp thông tin từ hai nhóm lớn:

• Biến thể vùng mã hóa protein, có thể thay đổi trình tự hoặc quá trình xử lý protein.
• Biến thể vùng không mã hóa, có thể tác động đến điều hòa gene và các hoạt động phân tử liên quan.

Nhờ một khung ưu tiên chung, AVI nhằm giúp các nhà nghiên cứu so sánh trực tiếp hơn các ứng viên ở vùng mã hóa và không mã hóa trong phân tích toàn bộ bộ gen. 16

Các nguồn được cung cấp mô tả AVI là công cụ xếp hạng thực hành, nhưng không nêu đầy đủ công thức toán học của điểm số. Do đó, AVI nên được hiểu là tín hiệu tóm tắt để ưu tiên nghiên cứu, không phải thước đo tự thân chứng minh một biến thể gây bệnh.

Những kết quả ban đầu từ các nhóm cộng tác

DeepMind và các bài viết về lần ra mắt đã nêu hai ứng dụng ban đầu.

Trong nghiên cứu bệnh hiếm, một nhóm tại Broad Institute được cho là đã dùng AVI để phát hiện một biến thể tác động đến DNM1, tạo ra một sự kiện nối ghép RNA không chính xác. DNM1 có liên hệ với bệnh não động kinh. 10 Đây là ví dụ tiềm năng về việc mô hình hỗ trợ phát hiện một ứng viên có thể bị bỏ sót; tuy nhiên, các tài liệu hiện có không đủ chi tiết để đánh giá độc lập về khả năng lặp lại, diễn giải lâm sàng hay ý nghĩa rộng hơn của ca này.

Ở lĩnh vực di truyền học quần thể, các nhà nghiên cứu phân tích bộ gen hoàn chỉnh của hơn 54.000 người tham gia UK Biobank — kho dữ liệu y sinh quy mô lớn tại Anh — được cho là đã phát hiện thêm 22% liên hệ ở vùng không mã hóa khi dùng Atlas. 310 Việc tìm được nhiều liên hệ hơn không tự động chứng minh quan hệ nhân quả hoặc giá trị ứng dụng lâm sàng. Những nguồn được cung cấp cũng không nêu các tính trạng cụ thể, ngưỡng thống kê hay kết quả xác thực tiếp theo.

So với chiến lược AlphaFold, Atlas có gì giống và khác?

AlphaGenome Atlas đi theo một hướng quen thuộc của DeepMind: ghép một hệ thống AI dự đoán với cơ sở dữ liệu khoa học dễ tiếp cận. Cơ sở dữ liệu cấu trúc protein AlphaFold, được phát triển cùng EMBL-EBI, đã phổ biến các cấu trúc protein dự đoán cho giới khoa học; AlphaGenome Atlas áp dụng cách tiếp cận tương tự cho hậu quả dự đoán của các biến thể DNA. 3134

Tuy nhiên, đối tượng khoa học của hai hệ thống khác nhau:

• AlphaFold dự đoán cấu trúc protein ba chiều.
• AlphaGenome Atlas dự đoán các tác động phân tử và điều hòa gắn với thay đổi một ký tự DNA. 731

Xét về dung lượng dữ liệu, Atlas được cho là lớn hơn cơ sở dữ liệu AlphaFold hơn 30 lần. 215

Giới hạn quan trọng: đây là các giả thuyết nghiên cứu

Các dự đoán trong Atlas không phải phép đo thực nghiệm; điểm AVI cao cũng không chứng minh một biến thể DNA là nguyên nhân gây bệnh. Tài nguyên này phù hợp nhất để làm nền tảng nghiên cứu: ưu tiên biến thể, hình thành giả thuyết về cơ chế và lập kế hoạch cho các nghiên cứu di truyền hoặc thí nghiệm chức năng tiếp theo. 16

Thận trọng này đặc biệt quan trọng với DNA không mã hóa, lĩnh vực mà việc diễn giải vẫn rất khó. Một quy trình hợp lý là dùng Atlas để thu hẹp tập ứng viên lớn, sau đó đánh giá các biến thể hàng đầu bằng bằng chứng di truyền độc lập, nghiên cứu chức năng và đánh giá lâm sàng phù hợp khi cần.

Đóng góp chính của AlphaGenome Atlas nằm ở quy mô và khả năng tiếp cận: nó mang đến một bản đồ có thể tra cứu của các giả thuyết do AI tạo ra cho toàn bộ những thay đổi DNA một ký tự có thể có ở người. Giá trị khoa học thực tế của bản đồ sẽ phụ thuộc vào mức độ hiệu quả khi các giả thuyết đó được kiểm tra trong phòng thí nghiệm và xác nhận qua nghiên cứu trên người.