Google DeepMind 发布 AlphaGenome Atlas：90 亿个基因变异效应一次算好，开放研究者查表使用
Google DeepMind 于 2026 年 9 月 8 日发布 AlphaGenome Atlas，把 AlphaGenome 模型对人类基因组全部 90 亿个单碱基变异的分子效应预先算好，数据量约 1 PB，并推出 AVI 分数做变异排序；网站免写代码、即日起供全球研究者非商业使用。这是“批量推理转知识库”的典型案例。
2026 年 9 月 8 日，Google DeepMind 在官方博客与 blog.google 同步发布 AlphaGenome Atlas，并附上技术论文。这项成果的核心做法很直接：不再等研究者一条一条把序列丢给模型，而是先用 AlphaGenome“序列→功能”模型，把人类基因组全部 90 亿个单碱基变异的分子效应预先算完、存成可查询的目录。数据量约 1 PB，是 2022 年扩充版 AlphaFold DB 的 30 倍以上，官方称之为目前最完整的基因突变分子效应目录。
同步推出的还有 AVI（AlphaGenome Variant Impact）分数，它整合了编码区与非编码区的预测结果，让研究者能对大量变异做统一排序。访问方式分三层：
- alphagenome.google/atlas 网站：免写代码，即日起供全球研究者非商业使用。
- AlphaGenome API 与 Google Antigravity 的 skill：供开发者程序化接入；Google Cloud 的商业访问即将推出。
- AVI 分数静态下载：采用宽松授权，可商业使用。
技术意义：从“实时推理”改成“查表”
AlphaGenome 本身在 2025 年就已能预测单个变异对基因调控的影响，但每次都得跑一次模型，对动辄数百万变异的群体研究来说成本高、速度慢。Atlas 把运算一次做完，之后任何人只要查表，就能得到同一套标准答案。这与 AlphaFold DB 的路线一致：先把模型能算的东西全部算完，再把结果当作公共基础设施开放。区别在于规模与对象——AlphaFold 处理的是蛋白质结构，Atlas 处理的是整个基因组每一个位点的变异效应，尤其覆盖过去最难解读的非编码区。
实例：未解病例与大型群体研究都有收获
官方公布了两个早期应用：
- Broad Institute 用 AVI 分数在一个长期未解的病例中，找出 DNM1 基因上导致错误剪接位点的关键变异。
- UK Biobank 5.4 万人的 BMI 分析中，加入 AVI 后多找出 22% 的非编码区关联，涉及 19 个基因区。
不过 DeepMind 也明确划线：Atlas 与 AVI 只是研究工具，只能作为临床诊断证据链的一部分，未经任何临床验证或批准，不能直接拿来做诊断。
对管理者的意义
抛开基因学，这则新闻示范了一个企业很容易套用的模式：把 AI 从“每次都要问”变成“算一次、用很多次”的资产。当某类问题的输入空间有限、答案又相对稳定——例如产品规格对照、常见客诉分类、报价规则——先批量算好、存成知识库给一线查表，比每次调用模型更快、更省、也更一致。可以怎么试：挑一个每天重复被问的固定问题集，先让 AI 一次算完全部答案并由人工审核，再把结果做成内部查询表，观察一线的查询速度与答案一致性是否改善。