一位父亲失去新生儿儿子后，复盘了一次基因诊断漏检。后来，他创办了 Gamow Labs。

6 月 9 日，Gamow Labs 创始人 D.D. McKinnon 公开讲述公司来由。他的长子 Owen 2021 年出生后，因严重呼吸问题进入 NICU。临床全基因组测序没有给出诊断。死后专家复核，才发现一段影响 FOXF1 表达的 91kb DNA 缺失。

这件事最反常的地方在这里：不是没有做高级检测，也不是没有 DNA 数据。问题出在解释。测序成本下降多年后，临床基因诊断最稀缺的部分，越来越像是能把变异、疾病机制和病人症状连起来的人。

Gamow Labs 押的正是这一段。它不是替代测序机器，而是想用前沿 AI 模型降低基因组解读成本，减少对少数专家的依赖。起点放在 NICU 罕见病，因为那里时间最贵，等待也最残酷。

Owen 的关键问题：测到了，但没被及时解释

Owen 出生于 2021 年 9 月 23 日。几个小时后，他出现呼吸困难，被送入 Children’s Colorado 的 NICU。病情继续恶化后，他接受 ECMO，也就是体外膜肺氧合，用机器暂时代替部分心肺功能。

但他没有离开医院。

医生怀疑一种致死性疾病：肺泡毛细血管发育不良，简称 ACD。它的问题常藏在肺部显微结构里。2009 年，遗传学家 Paweł Stankiewicz 发现相关遗传机制后，ACD 才更有机会通过基因检测辅助诊断。

Owen 做了全基因组测序，也就是 WGS。这在 NICU 罕见病诊断里已经属于高规格工具。但当时的临床 WGS 没有诊断出 ACD。

死后肺活检确认了 ACD。Stankiewicz 后续复核基因组，发现 Owen 缺失了一段 91kb DNA。这段区域会增强 FOXF1 表达，缺失会影响肺发育。

这不是一个简单的“测序失败”故事。更准确地说，是已有数据没有被及时解释成临床答案。

环节当时看到什么后来补上的信息真正差异
临床 WGS未给出 ACD 诊断数据中存在相关线索变异解读没有到位
肺活检死后确认 ACD给专家复核提供方向临床证据反推遗传解释
专家复核发现 91kb 缺失关联 FOXF1 表达和肺发育机制判断依赖稀缺经验

这里的教训很硬。WGS 能把大量变异摊开，但临床真正需要的是：哪一个变异解释了这个孩子眼前的病。

对 NICU 家庭来说，这个差别不是学术细节。早一天明确病因，可能意味着少做一次无效侵入性操作，早一点讨论治疗边界，也能更早评估再次生育的复发风险。

Gamow Labs 想补的，是专家解读这道窄门

Gamow Labs 的直接触发点，发生在 McKinnon 第二个孩子 Warren 的孕期。

16 周产检出现可疑信号后，他再次面对产前 WGS 未给出诊断的局面。按他的说法，他向相关实验室索取基因组文件，自建原型分析。这个原型不但支持 Warren 看起来健康，也找回了 Owen 当年的致病变异。

这就是 Gamow Labs 的产品方向：不做测序本身，而是做临床遗传分析。换句话说，它想站在测序数据和临床报告之间，帮医生、实验室和遗传团队更快筛出值得解释的变异。

McKinnon 称，其系统在一个由 66 个未解罕见病病例组成的队列中，找出了后来确认的致病变异，阴性对照没有假阳性，并至少破解两个此前未解病例。相关论文仍在审稿。

这组结果有信号，但不能拔高。

66 例不是大规模临床试验。论文仍在审稿，也不能写成已发表证据。它更适合被看作早期技术结果：在未解罕见病、尤其是专家资源不足的场景里，AI 辅助解读可能有用。

更现实的对照是这几条路线：

路线能解决什么主要限制适合谁先行动
继续依赖人工专家复核判断更稳，机制解释强专家少，排队慢，难规模化顶级医院和复杂病例中心
只做更快 WGS缩短测序等待不自动解决变异解释已有遗传团队的 NICU
AI 辅助基因组解读提高筛选和排序效率需要验证、解释链和医生信任遗传实验室、NICU 合作网络

我更在意第三条的边界。AI 如果只是把候选变异排个序，对高风险临床决策帮助有限。它必须解释为什么这个变异和这个表型有关，证据来自哪里，哪些不确定性还没排除。

这也是采购方和临床团队该做的动作：不要因为一个病例故事就下单，也不要把早期队列当成监管级证据。更合理的做法，是等论文、看多中心复现，再判断它能否嵌入现有 WGS 报告流程。

谁会受影响：NICU、遗传实验室和技术团队

受影响最直接的是两类人。

一类是 NICU 和医院遗传团队。对他们来说，问题不是“要不要相信 AI”，而是能不能把 AI 放进现有流程，减少等待时间，降低专家筛查负担。真正有价值的产品，应该让遗传学家更快看到高价值线索，而不是让医生多看一堆模型输出。

另一类是临床基因检测实验室。过去的竞争重点常在测序速度、样本周转和报告格式。接下来，解释能力会变得更重要。实验室如果缺少计算生物学和临床遗传分析能力，可能会更倾向于接入外部分析引擎，而不是自己从零搭团队。

普通家庭目前很难直接“使用”这类系统。更实际的问题是：所在医院是否提供快速 WGS，是否有遗传咨询和专家复核，AI 工具是否已进入医院或实验室工作流。费用、保险覆盖和可及性，原始信息里还看不清，不能替它补答案。

Gamow Labs 现在招聘的是计算生物学、AI 科学和工程方向技术人员。这说明它仍处在扩团队、打磨系统的阶段。对相关从业者来说，这类公司值得看，但判断标准不该只看模型叙事，而要看临床证据链。

接下来最该盯三件事：

  • 论文审稿结果如何，66 例队列的病例选择和验证方式是否经得住看。
  • 能否在多中心、前瞻性场景复现，而不是只在回顾性病例里表现好。
  • 产品最终卖给谁.医院遗传团队、检测实验室，还是作为报告前分析引擎嵌入现有流程。

如果它能证明自己减少的不是论文里的错误率，而是 NICU 里的等待时间、无效治疗和专家积压，才算迈过 AI 医疗常见的演示关。

Owen 这个故事把问题说得很清楚：DNA 已经被读出来了，答案却没有及时到达病床边。Gamow Labs 要证明的，就是 AI 能不能把这段距离缩短。