DeepMind AI 破解基因组98%"暗物质"，AlphaGenome 正式进入"编程生命"时代
你知道吗，人类花了整整13年、投入数十亿美元，终于在2003年读完了自己的基因组——30亿个碱基字母组成的生命天书。但读完之后，科学家们发现了一个极其尴尬的事实：这本天书里，我们能看懂的部分，只有2%。就好像你买了一栋100层的大楼，结果发现只有2层能住人，剩下98层全是堆杂物的。科学界给那98%起了一个非常不客气的名字——"垃圾DNA"。然而二十多年后的今天，我们不仅发现这些所谓的"垃圾"根本不是垃圾，更炸裂的是，超过98%的与人类复杂疾病相关的遗传变异——癌症、阿尔茨海默病、自身免疫病、心血管病——幕后真凶几乎全都精准地藏在这片我们曾经完全无视的"暗物质"区域里。这意味着什么？意味着过去二十年，整个精准医学最关键的那把钥匙，一直被我们当成垃圾丢在角落里。
哈喽，大家好，我是王利杰。
今天这期内容，我要带你深度拆解一个刚刚登上《自然》杂志封面的重磅成果——谷歌DeepMind发布的AlphaGenome。这不是一个普通的AI工具升级，它代表的是生命科学从"读天书"到"编程生命"的范式跃迁。听完这期，你会理解为什么这个模型的意义，可能不亚于当年的AlphaFold。
我们先从一个最基本的问题讲起：为什么基因组98%的区域这么难搞？
那98%的非编码区到底在干嘛？它不编码蛋白质，但它里面藏着基因的"控制面板"——增强子、启动子、沉默子这些调控元件。它们决定了一个基因在什么时候、在哪种细胞里、以多大的音量被"播放"。打个比方：如果编码区是乐谱上的音符，那非编码区就是指挥家的手势。同一份乐谱，指挥手势不同，出来的音乐完全不同。你的肝细胞和你的脑细胞拥有完全相同的DNA，但它们表现截然不同——差别就在这98%的"手势"里。
更麻烦的是，这些调控元件跟它控制的基因往往相距极远——在线性DNA上可能隔了几十万个碱基。但在细胞核的三维空间里，DNA会折叠、会弯曲、会形成环状结构。这就像你在一张纸上画了两个点，相距50厘米，但把纸揉成一团以后，两个点直接碰上了。远隔重洋的调控元件，在三维空间里突然面对面紧密接触，这中间的因果链条，用传统实验方法去穷举验证，几乎是不可能的任务。
这就是为什么临床医生经常遇到一个让人抓狂的场景：给患者做了全基因组测序，找到了几千个变异位点，但绝大多数都标注着四个字——"意义不明"。英文缩写叫VUS。医生不知道这些变异是致病的元凶，还是无害的背景噪音。这不是医生的问题，是整个领域的认知瓶颈。
于是AI出场了。但早期的AI模型在这个问题上也很纠结，因为它们面临一个残酷的二选一：看得远还是看得清，你只能选一个。
什么意思呢？DeepMind之前做过一个模型叫Enformer，它能看20万个碱基对那么长的序列，算是视野很广了。但代价是什么？分辨率只有128个碱基对。相当于你用一个480p的摄像头去拍广角照片，整体构图有了，但细节全糊了。很多关键的单碱基突变，比如一个剪接位点的精确改变，在这个分辨率下根本看不见。反过来，另一些专门做高分辨率预测的模型，比如SpliceAI，能做到单碱基精度，但它的输入窗口只有几千个碱基。相当于一台8K显微镜，但视野只有指甲盖那么大。面对跨越几十万碱基的远程调控，完全就是盲人摸象。
这就是困扰计算基因组学界多年的"视野与精度"悖论。
而AlphaGenome，一举打破了这个魔咒。它的核心突破可以概括成三个关键词：看得远、看得清、看得全。
第一，看得远。它把输入窗口直接拉到了100万个碱基对——是Enformer的5倍。在这个尺度上，绝大多数远端增强子和启动子之间的调控关系，都在视野之内了。
第二，看得清。在100万碱基的超大视野下，关键分子属性的预测分辨率达到了单碱基——1个bp。也就是说，在一段100万个字母的序列里，它能告诉你——就是第573892个位置上的这个A变成了T，导致了下游一系列灾难。这相当于同时拥有了IMAX银幕的广角和电子显微镜的精度。之前所有模型只能二选一，AlphaGenome说我全都要。
它怎么做到的？架构上非常精妙。它用了一个受图像分割领域经典U-Net启发的混合拓扑，深度融合了卷积神经网络和Transformer。底层用卷积网络快速扫描局部模式——就像AI先认出所有的单词和短语。DNA序列里的转录因子结合基序通常只有六到二十个碱基那么长，卷积网络能高效识别这些短小精悍的局部特征。然后通过逐步降采样，把100万长度的序列压缩成更紧凑、信息密度更高的高维特征表示。
接着Transformer登场。它的任务是建立远程关联——让相距50万碱基的两段DNA互相"对话"。但标准Transformer的注意力机制计算复杂度是序列长度的平方，直接用会爆显存。所以DeepMind在底层做了大量优化，修改了旋转位置编码RoPE的频率计算公式，让注意力机制在不爆显存的前提下能关注到极远距离的依赖关系。最后通过U-Net的解码器逐层上采样还原精度，从模糊的全景图一步步锐化回单碱基级别。工程上还用了序列并行技术，把100万碱基的序列切成多个小块，分配到8个TPU上同时计算，突破了单张加速卡的物理极限。
第三，看得全。这是我觉得最具颠覆性的一点。以前一个任务就得训一个专门的模型——预测染色质可及性用一个，预测RNA剪接用另一个，预测基因表达再换一个。科研人员得跑好几套软件，结果还互相对不上。AlphaGenome直接做了大一统，11种核心生物学模态全部覆盖：基因表达、转录起始、RNA剪接、染色质可及性、组蛋白修饰、转录因子结合、三维染色质构象，总共覆盖将近六千条人类基因组学测量轨迹。一次API调用，所有维度的评估结果全出来了。这种"一个模型统治所有任务"的路线，跟我们在大语言模型领域看到的GPT、Claude的大一统思路，是完全同构的。
其中最让学界兴奋的是RNA剪接预测。这个我要多说两句，因为它直接关系到很多罕见病的诊断。RNA剪接是什么？简单说，基因转录出来的RNA原始稿件需要经过一个"剪辑"过程，把不需要的内含子剪掉，把需要的外显子拼接起来，才能翻译成正确的蛋白质。如果剪接出了错，就会产生异常的蛋白质，导致疾病。AlphaGenome能直接从DNA序列预测出不同组织中RNA剪接连接点的精确位置和强度——这是以前任何模型都做不到的。
工程上还有一个特别值得关注的点：知识蒸馏。DeepMind先花了13万个TPU小时训出了一个64模型的超级集成体——这是"教师"。然后通过知识蒸馏，让一个单独的"学生"模型去学习这64个教师的综合输出，蒸馏只花了4600个H100小时。蒸馏后的学生模型性能几乎无损，但推理时只需要一张H100，一秒钟就能跑完一个变异在所有轨迹上的效应预测。从头训练一个完整模型也只要4个小时，成本是当年Enformer的一半。这意味着全基因组级别、百万量级变异的大规模高通量筛查，第一次变成了普通实验室都能做的事。
成绩单有多强？在24项基因组轨迹预测任务中，22项世界第一。在更严苛的26项变异效应预测评估中，25项世界第一。不是小幅领先，是系统性碾压。在区分因果eQTL——就是在一堆高度关联的候选突变里找出那个真正的幕后黑手——多模态联合之后达到了0.75的auROC，比之前的标杆Borzoi高出显著幅度。在判断一个突变让基因表达上调还是下调这个方向性预测上，比Borzoi领先了25.5%。这个方向性在临床上极其关键——它直接决定你面对的是促癌还是抑癌。
但数字终归是数字，真正让人震撼的是它在实际生物学问题中的表现。
我给你讲三个真实场景。
第一个，癌症。T细胞急性淋巴细胞白血病，一种极具侵袭性的血液癌症。科学家一直知道TAL1这个致癌基因附近的非编码区域有问题，但说不清具体机制。把患者的基因组序列输入AlphaGenome之后，模型不仅指出了一个非编码区的微小突变，还完整地重构了整条致病链条：这个突变凭空创造了一个MYB转录因子的结合位点，随后引发了一连串表观遗传学的雪崩效应——代表活性增强子的H3K27ac标记异常飙升，同时抑制性的异染色质标记脱落退移，最终TAL1基因被病理性地疯狂激活。从一个碱基的变化，到整条致癌通路的完整因果还原，全部是模型在计算层面推演出来的。伦敦大学学院的癌症专家Marc Mansour教授说，这为大规模解析非编码变异如何驱动癌症提供了最关键的一块拼图。这种机制解析能力，以前需要好几个实验室花好几年才能做到，现在在电脑上几分钟就能完成计算推演。
第二个，罕见病。全世界有大量家庭带着患有严重发育迟缓或先天缺陷的孩子做完全基因组测序，拿回来的报告上写满了"意义不明"。其中很多致病变异其实藏在非编码区，它们不是直接破坏蛋白质，而是搞乱了RNA的剪接逻辑——导致外显子异常跳跃或内含子错误保留。AlphaGenome的剪接预测能力可以精准给这些VUS"分诊"——把几万个不确定的变异筛到只剩几个最可疑的，还能解释具体机制。日本的国家级"未诊断疾病倡议"项目已经开始把AlphaGenome整合进常规分析管线，用来重新筛查过去十年那些始终找不到病因的悬案。这种"计算分诊"能力，正在大幅缩短罕见病患者寻找病因的漫长旅程。
第三个，也是最让我兴奋的——合成生物学，从"读"生命到"写"生命。做基因治疗最大的挑战之一是确保治疗基因只在目标细胞里表达，不在其他地方"泄漏"。传统方法是盲目试错。现在有了AlphaGenome，合成生物学家可以在电脑里设计成千上万种虚拟的增强子序列，让模型打分——哪条序列能让基因"只在受损的神经元里高表达，在肌肉细胞里保持沉默"？找到最优解之后再去做实验验证。这就像建筑行业从"边盖边改"进化到了"先在BIM软件里模拟好再开工"。生命科学正在从经验驱动走向计算驱动。在核酸药物领域，它还能加速反义寡核苷酸药物的设计迭代，大幅减少前临床阶段的盲目动物实验。通过对整个基因组调控网络的系统级模拟，制药企业甚至有望在药物立项的极早期阶段就前瞻性地规避脱靶毒性风险。
讲完了厉害之处，我们必须冷静一下，说清楚它的边界。
第一，极远端调控还是有盲区。100万碱基的窗口已经是史上最长了，但人类基因组中确实存在跨越数百万碱基的超远程调控关系，模型目前还覆盖不到。第二，群体精准但个体模糊。模型预测"肝脏对比大脑"这种组织间差异很准，但预测"你和我"之间由复杂遗传组合导致的细微个体差异时，精度会明显下降。因为个体的基因表达还受到上位效应、环境暴露、反式作用因子等太多变量的影响，纯序列模型还触及不到。第三，训练数据有偏差。模型主要基于健康组织的测序数据训练，但研究疾病最需要看的恰恰是病理状态下那些稀有细胞类型的行为——比如阿尔茨海默病里的疾病相关小胶质细胞。未来必须融合大量单细胞和空间转录组数据才能补上这块短板。第四，AI幻觉的风险。在HLA区域、着丝粒附近这些结构极端复杂的区域，模型的泛化能力还需要严格验证。宾夕法尼亚大学的Adam Naj教授特别警告：没有实验验证的AI预测，不能当真理用。
所以当前阶段，AlphaGenome最准确的定位不是"替代实验的真理机器"，而是一个极其强大的"实验分诊系统"——帮你从海量候选变异中精准定位最值得花钱去验证的那几个。
最后，我想从投资人的视角聊聊这件事打开了什么。
AlphaGenome的意义不是一个单点产品突破，而是它和AlphaFold、AlphaMissense、AlphaProteo一起，构成了DeepMind在生命科学领域的一个完整技术矩阵：从一维DNA序列的调控解读，到蛋白质三维结构预测，到编码区错义突变的致病性分类，再到蛋白质互作设计——一条从DNA到蛋白质功能的完整认知闭环，正在以前所未有的速度合拢。
这对产业意味着什么？我看到三条清晰的链条。第一，计算基因组学SaaS平台。AlphaGenome已经开源了，但把它变成临床可用的产品还有巨大的工程化空间。谁能做好封装、做好临床报告的自动化生成、做好合规，谁就能吃到这波红利。第二，AI驱动的合成生物学设计平台。"在电脑里设计调控元件"这件事，会催生一批全新的工具公司。传统的基因治疗公司如果不拥抱这个范式，会在效率上被碾压。第三，精准医疗的下一跳。当非编码区的变异可以被系统性解读，罕见病的诊断率会有质的提升，非编码区驱动的癌症亚型也会被精准识别出来。这对伴随诊断和靶向治疗都是巨大利好。
还有个有意思的效率之争。一个叫Enigma的轻量级模型，用不到AlphaGenome一半的参数和大约7.5%的算力，达到了它90%以上的性能。这再次印证了我在AI行业反复看到的规律：大力出奇迹是上限探索，巧力出普惠才是商业化关键。未来这个领域真正跑出来的公司，未必是算力最猛的，而是在精度和效率之间找到最优平衡点的。
我经常讲一句话：在AI时代做投资，你得搞清楚哪些领域的认知护城河正在被AI系统性地攻破。AlphaFold攻破了蛋白质结构预测的认知壁垒，AlphaGenome正在攻破基因组98%暗物质的认知壁垒。当这两堵墙同时倒塌，生命科学将从"观察和关联"的时代，不可逆地进入"计算和编程"的时代。
德米斯·哈萨比斯说过，未来十年，AI有望成为人类治愈所有已知疾病的最强武器。你觉得这是狂妄的野心，还是正在兑现的预言？我倾向于认为，当AlphaGenome让我们第一次真正读懂了基因组98%的暗物质，当我们从被动认知生命走向主动编程生命，这个未来已经不是科幻，而是正在发生的现实。这个世界上最深奥的密码不在任何保险箱里，它就写在你每一个细胞的细胞核中。三十亿个字母，我们曾经只认识2%，现在AI正在帮我们翻开剩下的篇章。故事才刚刚开始。
我是王利杰，我们下期见！