Google DeepMind 發表 AlphaGenome Atlas：90 億個基因變異效應一次算好，開放研究者查表使用
Google DeepMind 於 2026 年 9 月 8 日發表 AlphaGenome Atlas，把 AlphaGenome 模型對人類基因組全部 90 億個單鹼基變異的分子效應預先算好，資料量約 1 PB，並推出 AVI 分數做變異排序；網站免寫程式、即日起供全球研究者非商業使用。這是「批次推論轉知識庫」的典型案例。
2026 年 9 月 8 日，Google DeepMind 在官方部落格與 blog.google 同步發表 AlphaGenome Atlas，並附上技術論文。這項成果的核心做法很直接：不再等研究者一筆一筆丟序列去問模型，而是先用 AlphaGenome「序列→功能」模型，把人類基因組全部 90 億個單鹼基變異的分子效應預先算完、存成可查詢的目錄。資料量約 1 PB，是 2022 年擴充版 AlphaFold DB 的 30 倍以上，官方稱之為目前最完整的基因突變分子效應目錄。
同步推出的還有 AVI（AlphaGenome Variant Impact）分數，它整合了編碼區與非編碼區的預測結果，讓研究者能對大量變異做統一排序。存取方式分三層：
- alphagenome.google/atlas 網站：免寫程式，即日起供全球研究者非商業使用。
- AlphaGenome API 與 Google Antigravity 的 skill：供開發者程式化串接；Google Cloud 的商業存取即將推出。
- AVI 分數靜態下載：採寬鬆授權，可商業使用。
技術意義：從「即時推論」改成「查表」
AlphaGenome 本身在 2025 年就已能預測單一變異對基因調控的影響，但每次都得跑一次模型，對動輒數百萬變異的族群研究來說成本高、速度慢。Atlas 把運算一次做完，之後任何人只要查表，就能得到同一套標準答案。這與 AlphaFold DB 的路線一致：先把模型能算的東西全部算完，再把結果當成公共基礎設施開放。差別在於規模與對象——AlphaFold 處理的是蛋白質結構，Atlas 處理的是整個基因組每一個位點的變異效應，尤其涵蓋過去最難解讀的非編碼區。
實例：未解案例與大型族群研究都有收穫
官方公布了兩個早期應用：
- Broad Institute 用 AVI 分數在一個長期未解的病例中，找出 DNM1 基因上導致錯誤剪接位點的關鍵變異。
- UK Biobank 5.4 萬人的 BMI 分析中，加入 AVI 後多找出 22% 的非編碼區關聯，涉及 19 個基因區。
不過 DeepMind 也明確劃線：Atlas 與 AVI 只是研究工具，只能作為臨床診斷證據鏈的一部分，未經任何臨床驗證或核准，不能直接拿來做診斷。
對管理者的意義
拋開基因學，這則新聞示範了一個企業很容易套用的模式：把 AI 從「每次都要問」變成「算一次、用很多次」的資產。當某類問題的輸入空間有限、答案又相對穩定——例如產品規格對照、常見客訴分類、報價規則——先批次算好、存成知識庫給前線查表，比每次呼叫模型更快、更省、也更一致。可以怎麼試：挑一個每天重複被問的固定問題集，先讓 AI 一次算完全部答案並由人審核，再把結果做成內部查詢表，觀察前線的查詢速度與答案一致性是否改善。