AlphaGenome Atlas：把 90 億種 DNA 單字母變異預先算好的 AI 圖譜

Google DeepMind 在 2026 年 9 月 8 日發布 AlphaGenome Atlas。這是一個可搜尋的研究資料庫，收錄人類基因組中所有可能「單核苷酸變異」（single-nucleotide variant，SNV）的預測分子影響，總計約 90 億種 DNA 單字母替換；資料規模約為 1PB（petabyte，拍位元組）。67

它最大的意義不在於替人下醫療判斷，而是把原本可能需要逐一運算的 AI 預測先行備妥，讓研究者能更快從大量基因差異中找出值得優先做實驗驗證的候選變異。

AlphaGenome 與 Atlas：模型和資料庫不是同一件事

DNA 可理解為由字母組成的遺傳指令；單核苷酸變異就是其中一個字母被換成另一個字母。這類變異可能落在會直接編碼蛋白質的區段，也可能落在不直接製造蛋白質、卻參與控制基因何時與何處啟動的非編碼 DNA。

兩者的分工如下：

• AlphaGenome：用來預測 DNA 變異可能如何影響基因調控等生物過程的 AI 模型。21
• AlphaGenome Atlas：將模型對全人類基因組約 90 億種可能單字母變化的預測結果預先計算、整理而成的可查詢資料庫。67

換句話說，Atlas 像是一份已經先建立好的大型參考索引。研究者無須每遇到一個候選變異就重新執行模型，可以直接查閱預測結果。67

1PB 資料庫收錄什麼？

Atlas 針對約 90 億種可能的單核苷酸變異，提供預測的分子影響，並為每個變異附上 AlphaGenome Variant Impact（AVI） 分數。16

這些內容的用途，是協助研究者把一長串觀察到的 DNA 差異，收斂成較值得後續研究的候選清單。它可提供某個變異可能較具生物學意義、可能涉及哪些分子機制的模型訊號，但不會直接給出疾病診斷結論。17

如何取得與使用？

DeepMind 表示，學術研究者可透過直覺、免費的網站入口使用 Atlas；設計目標之一，就是讓使用者不必自行跑模型，也不必具備程式撰寫能力。7

實際研究流程中，研究人員可以先查詢特定候選變異及其預測效應，再據此決定下一步是否進行功能性實驗、遺傳分析或其他驗證工作。

AVI 分數為何重要？

AVI 分數是一個用來按預測生物學影響排序的單一指標。其重點是把兩大類基因組變異納入共同的優先排序框架：

• 蛋白質編碼變異：可能改變蛋白質序列或其處理方式。
• 非編碼變異：可能影響基因調控與相關分子活動。

這使研究者在進行全基因組分析時，較能直接比較編碼區與非編碼區的候選變異，而不必完全把兩類訊號分開處理。16

不過，現有資料未交代 AVI 的完整數學公式。因此，它應被理解為實務上的候選排序訊號，而不是能自行證明某變異造成疾病的分數。

合作者提出的早期研究結果

DeepMind 與相關報導在發布時提到兩項早期應用案例。

在罕見疾病研究方面，Broad Institute 的團隊據報使用 AVI 找到一個影響 DNM1 的變異；該變異會造成不正確的剪接事件。DNM1 與癲癇性腦病變有關。10 這說明模型或可協助研究者浮現原先可能被忽略的候選變異；但目前提供的材料不足以獨立判斷該案例的重複驗證、臨床詮釋或更廣泛的重要性。

在族群遺傳學方面，研究人員分析超過 54,000 名 UK Biobank 參與者的全基因組資料時，據報利用 Atlas 找到多 22% 的非編碼關聯。310 UK Biobank 是英國大型生物醫學資料庫。不過，發現更多關聯不等於每一項關聯都具有因果關係或能直接用於臨床；現有來源並未說明涉及哪些性狀、採用何種統計門檻或後續驗證結果。

與 AlphaFold 的策略有何相似與不同？

AlphaGenome Atlas 延續 DeepMind 已在 AlphaFold 展現的做法：不只建立預測模型，也把大規模模型輸出做成研究者容易取得的資料庫。AlphaFold 蛋白質結構資料庫由 DeepMind 與歐洲分子生物學實驗室歐洲生物資訊研究所（EMBL-EBI）合作開發，讓研究社群能存取預測的蛋白質三維結構；Atlas 則把這種資料庫取用模式延伸至 DNA 變異的預測影響。3134

兩者回答的科學問題不同：

• AlphaFold 預測蛋白質的三維結構。
• AlphaGenome Atlas 預測單字母 DNA 變化可能帶來的分子與基因調控影響。731

若以資料量計，Atlas 據報比 AlphaFold Database 大超過 30 倍。215

最重要的界線：預測不是診斷

Atlas 的結果是模型產生的預測，不是實驗測量；較高的 AVI 分數也不能證明一個 DNA 變異就是疾病成因。16

較合適的使用方式，是將其視為研究的起點：先用它從大量候選中排出優先順序、提出可能的機制假說，再以獨立遺傳證據、功能性研究，以及在必要時合適的臨床評估加以驗證。這項資源的價值，將取決於這些 AI 生成假說能否在實驗室與人體研究中經得起檢驗。