绘制基因组图谱,如何帮助研究人员更好地理解疾病?

Lindsey Lanquist · 发布 2026/11/17 · 更新 2026/11/18

绘制基因组图谱,如何帮助研究人员更好地理解疾病?

基因组是身体的说明书,记录着身体如何运作。它包含 30 亿个 DNA 碱基对。DNA 在一定程度上决定哪些基因开启、哪些基因关闭,这种调控可能影响一个人是否会患病。要找出哪些 DNA 变化会导致疾病或其他结果,就像大海捞针。

在本期“问科学家”中,一位 Google DeepMind 研究科学家介绍了 AlphaGenome 和 AlphaGenome Atlas 能为研究带来哪些可能。

互动图:深色背景上,光点组成发亮的 DNA 双螺旋,周围漂浮着 A、C、T 和 G 四个字母。

示意图

收听原文朗读

这段音频由 Google AI 生成。生成式 AI 仍处于实验阶段。

基因组是身体的说明书,记录着身体如何运作。它包含 30 亿个 DNA 碱基对。DNA 在一定程度上决定哪些基因开启、哪些基因关闭,这种调控可能影响一个人是否会患病。要找出哪些 DNA 变化会导致疾病或其他结果,就像大海捞针。

互动图:一束光绕着由点组成的圆扫过。这些点代表 DNA 碱基对,用来比喻解读基因组的过程。

示意图。一个点接一个点,呈现你的基因组。

解读 DNA 序列正是 Google DeepMind 开发模型 AlphaGenome 的目标。给它一段长达 100 万个碱基对的 DNA 序列,它就能作出数千项预测。科学家比较 DNA 变化前后的预测结果,就能更快找到那根“针”。

为了解更多,我们采访了 Google DeepMind 研究科学家 Žiga Avsec。

你在 Google 做什么工作?

Žiga Avsec:我是一名研究科学家,负责我们的基因组学研究项目。简单说,我带领团队开发模型,帮助我们更好地理解基因组。

你们的团队怎样帮助科学家更容易地预测和理解疾病?

这要从基因组怎样运作说起。它含有 30 亿个 DNA 碱基对,每一对由两个碱基组成,我们把碱基叫作“字母”。A(腺嘌呤)、T(胸腺嘧啶)、C(胞嘧啶)、G(鸟嘌呤)这四个字母就像一套生物字母表,拼写出塑造每个人的遗传说明书。

每个位置上的字母都可以被另外三个字母中的一个取代,因此单个字母的变化共有 90 亿种可能。许多遗传病仅由一个字母的变化引起,但科学家没有时间做数十亿次研究来判断哪些变化会产生影响。

我们用 AlphaGenome 预测了这 90 亿种单字母变化的影响,还建立了名为 AlphaGenome Atlas 的大型数据集,让科学家能更快决定研究什么。

互动图:DNA 螺旋旋转,字母随之变化;旁边的点阵图显示这些变化的影响。

示意图。图中的字母是为这个例子虚构的。

科学家在理解基因组方面遇到了哪些困难?

虽然科学家已经能读取人类 DNA 的全部 30 亿个碱基对,但我们还没有完全弄明白这套遗传密码的含义。尤其是其中的非编码“暗物质”,它调控基因表达,也影响患病风险。实验研究,也叫湿实验,是推动我们在认识上取得突破的最好方法,但成本高,也很费时。一个突破可能就要耗费数年。

假设你给一位罕见病患者的 DNA 做了测序,可能会得到 400 万个变异。也就是说,这个人的 DNA 与人类标准参考基因组有 400 万处不同。到底是哪一个变异导致了病情?即使把范围缩小到罕见变异,仍可能剩下几百乃至几千个选项。

使用 AlphaGenome Atlas 时,科学家能看到一个直观的分数,称为 AVI(AlphaGenome 变异影响)评分。它能立即显示某个变异在整个基因组范围内可能产生的影响,帮助研究人员排出优先顺序,更容易找到最可能造成干扰的变化,随后深入研究。

互动图:点阵先表示全部变异,再聚焦到数千个变异;随后,条形图排出哪些变异最值得优先研究。

示意图。每个点代表多个变异,分数为示例设定。

能举例说说 AlphaGenome 对普通人有什么影响吗?

AlphaGenome 这类工具,让我们从读取 DNA 进一步走向理解疾病背后的分子机制,为研究人员提供可供验证的新线索。它也让我们朝着有一天用数字模型模拟一个完整人体细胞的目标迈出了重要一步。

它可能在几个方面带来影响。它能加快研究,帮助人们改善对罕见遗传病或先前尚未得到明确描述的遗传病的诊断,为患者提供个体化治疗。它也可能帮助药物研究人员更快找到并验证更有希望的治疗靶点,加快药物发现进程。在医疗以外,AlphaGenome 的模型架构还可能帮助研究人员应对更广泛的社会挑战,例如培育更能适应气候变化的作物。

互动图:三张深色卡片上,光点组成了立体的心跳图形、胶囊和叶片。翻转卡片可查看相关说明。

示意图。AlphaGenome 可能发挥作用的几种方式。

AlphaGenome 已经促成了哪些突破?

AlphaGenome 问世还不久。我们在 2025 年 6 月推出了它,今年 9 月才发布 AlphaGenome Atlas,但研究人员已经在用它推进研究。

英国埃克塞特大学的医学研究委员会研究员 Gareth Hawkes,用 AlphaGenome Atlas 从 10 亿个遗传变异中缩小了筛选范围。他聚焦影响最大的 1%,从中找到了 19 组与身体质量指数(BMI)有关的变异,作为自己优先研究的对象。

博德研究所研究员 Laura Covill 在研究尚未找到病因的罕见病时,用 AVI 评分排定遗传变异的研究顺序。AlphaGenome Atlas 在一个与神经发育障碍有关的基因中识别出关键变异,为团队的后续研究提供了重要的支持证据,最终帮助他们找到了这起病例的病因。

接下来你们希望做什么?

我们刚刚发布了最新模型 AlphaGenome 2,它着手解决 AlphaGenome 的一项主要局限:区分不同细胞类型的能力。AlphaGenome 虽然处于领先水平,但训练数据主要来自整块组织或细胞系。我们知道,组织中的每一种细胞都有特定作用,而这些细胞在疾病中可能出现功能异常。AlphaGenome 2 超越了组织层面的平均值,可以预测遗传变异如何干扰不同类型的细胞,帮助研究人员找出哪些细胞变化在推动疾病发展。

我们也在积极研究怎样更好地衡量模型对预测有多大把握,让研究人员知道每项结果可信到什么程度。初步分析显示,在模型预测影响很大的变异上,预测表现不错,准确度也较高。和以往一样,使用 AlphaGenome 的人应结合其他信息来解读它的预测。

你们开展生物学研究的最终目标是什么?

短期内,我们希望借助 AI 更好地理解基因组的“语法”,准确预测突变的影响。长远来看,我们希望以此为基础,建立一个能完整模拟人体细胞运作的数字模型。

这样一来,研究人员就可以在计算机上模拟疾病机制,理解罕见遗传病,并测试候选疗法。

视频《问科学家》:AI 怎样帮助研究人员理解疾病,甚至有望治愈疾病?

来源:Google Blog

Related Articles

继续阅读相关文章

Topics & FAQ

相关专题与 FAQ

暂无内容