谷歌DeepMind在9月8日发布了一张前所未有的基因组图谱：AlphaGenome Atlas，声称覆盖了人类基因组中约90亿种可能的单字母DNA变异的预测结果，数据集体量接近1PB。研究者可以通过网页门户、Antigravity技能或AlphaGenome接口免费查阅这些预测，商业版本即将上线Google Cloud。这是一件值得关注的事，但真正的看点不在于图谱有多大，而在于DeepMind自己在同一篇发布文章里，用另一种语气写下了一句几乎和标题相反的话——这个工具没有经过临床验证，不能用来做诊断。
从AlphaFold到基因组"全字典"
这不是DeepMind第一次做类似的事。去年发布的AlphaGenome模型，已经能预测DNA变化对染色质可及性、转录因子结合、基因表达等分子过程的影响；更早的AlphaMissense，专门针对能改变蛋白质的小突变打分。Atlas做的事情，是把AlphaGenome的能力铺满整个基因组——包括占基因组98%、不直接编码蛋白质但控制基因开关的调控区域，再把结果预先算好、存起来，做成一张可以随时查的表。DeepMind基因组学负责人Ziga Avsec在发布会上承认，底层模型早就公开了,真正花时间的是把它算成覆盖全部变异空间的目录。
这次发布还搭配了一个新指标：Variant Impact Score（AVI），融合AlphaGenome和AlphaMissense的判断，用来给海量变异快速排序,告诉研究者哪些值得先看。这个时间点也不是随便选的——DeepMind联合创始人Demis Hassabis正逐步退出实验室日常管理，转去主导药物研发公司Isomorphic Labs，而他和John Jumper正是凭借蛋白质结构预测工具AlphaFold拿下2024年诺贝尔化学奖的人。Atlas延续的是同一条路线：把AI预测能力从蛋白质结构，往基因组调控区域继续铺。
25/26的基准分，衡量的不是"能不能治病"
DeepMind公开的早期案例听起来确实有说服力：一项合作借助该系列模型找到了此前被忽视的DNM1罕见病变异；在英国生物样本库（UK Biobank）的分析中，非编码区的遗传关联数量比原来多出22%。发表在《Nature》上的基准测试也显示，AlphaGenome在26项变异效应评估中的25项、24项基因组轨迹任务中的22项上，表现优于此前最强的对比模型。
这些数字看起来很硬,但要小心它们衡量的到底是什么。分子层面的相关性预测和疾病诊断的准确率是两件不同的事——前者回答"这个变异大概会怎样影响蛋白质产量或RNA剪接",后者回答"这个人会不会得病"。Atlas目前能做好的是前者,后者仍然需要临床验证这一步,而这一步恰恰是DeepMind自己说还没做的。
同一篇文章里的两种语气
对外的宣传语用的是"最全面的目录"、"可能催生新疗法";但博客同一页里,DeepMind写得很清楚：这个工具未经临床验证或批准，不能替代医学诊断或治疗。这种落差不是无中生有的担心——它有先例。Atlas的近亲AlphaMissense在此前一项神经肌肉疾病的评估中，正确识别出69%的致病变异，但同时把62%意义不明的变异（VUS）也判成了致病。换句话说，这套评分体系有把"不确定"过度判成"有害"的倾向，如果AVI继承了同样的校准问题,后果不是"预测不准",而是"看起来很准,却指错了方向"。
图谱越全面，越容易被当成诊断结论。
临床遗传学界通行的ACMG/ClinGen框架，一直把计算预测当作众多证据类型中的一种，从不允许单独一个分数直接等同"致病"判定。这套规则不是保守,而是踩过AlphaMissense这样的坑之后留下的经验。
- 风险.当研究机构把患者的变异数据（VCF文件）上传到AlphaGenome云端接口做预测时，这些数据会传到谷歌服务器，依照谷歌隐私政策处理——基因组数据一旦离开本地，几乎无法真正做到匿名化。
谁会用它，谁该多留一步
罕见病实验室和药物研发团队是最直接的受益者：面对成千上万个候选变异，AVI能帮他们快速排出优先级，省下大量逐一实验验证的时间，这也是Isomorphic Labs这类机构未来可能直接受益的场景。但对普通患者和临床医生来说，Atlas给出的高分不该被当作诊断结论,尤其是在权威医学机构还没有针对AVI发布正式的证据权重指南之前。
Google Cloud即将推出的商业版,也带出一个更现实的问题：非商业免费、商业收费的两条路径,会不会让资源有限的研究机构在获取能力上慢一步。接下来真正值得盯的，是独立于谷歌之外的第三方临床队列验证结果、AVI在不同祖先群体中的表现差异，以及ACMG一类机构是否会就这类计算工具的使用边界给出正式说法——这些答案出来之前，"催生新疗法"仍然只是一个方向，不是一个进度。