再登《自然》封面！DeepMind用AlphaGenome破译生命“暗物质”，AI正重构生命科学

欢迎星标 果壳硬科技

如果要选一篇论文代表 2026 年开年的科学突破，会是什么？当谷歌 DeepMind 团队的 AlphaGenome 论文摆在面前时，答案变得显而易见。

昨天 Nature 的封面，给了开年后最炸裂的一篇论文，一幅由 DNA 序列与神经网络交织构成的抽象图案，标题简洁有力：《用 AlphaGenome 推进调控性变异效应预测》，论文的通讯作者令人瞩目：Demis Hassabis——诺奖得主兼 DeepMind 创始人和 CEO，当然还有他的老搭档 Pushmeet Kohl。

这已经不是 DeepMind 团队第一次震撼科学界。六年前，他们的 AlphaFold 解决了困扰生物学 50 年的蛋白质折叠问题。这次，这个“不让人活”的团队再次挑战了生命科学的另一座高峰。

AlphaGenome 到底做了什么？简单说，它给长达 100 万字母的生命天书（DNA），配上了一台“实时编译模拟器”。输入一段包含变异的 DNA 序列，它就能“编译运行”，一口气告诉你这个变异会如何影响基因开关、产品组装甚至整个细胞车间的布局。这意味着我们终于有了一台能理解、模拟并最终编写生命底层逻辑的机器。这远不止是一个工具的升级，而是一场真正的研究范式革命。 一举攻克“不可能三角”

AlphaGenome 的厉害，在于它一举攻克了基因组预测领域的“不可能三角”：即长序列、高精度、多任务难以兼顾的困境。

过去的“望远镜”与“显微镜”：此前的工具各有短板。有的像“望远镜”（如 Enformer），能看很长的 DNA 段落（约 20 万碱基），但输出模糊，像打了马赛克（128 碱基一团）。有的像“显微镜”（如 SpliceAI），能高清看到单个碱基的效应，但视野狭窄，看不到远程调控。

但 AlphaGenome 像一个“高清广角镜”，它创新性地采用了“U-Net + Transformer”混合架构，可以理解为一种“先览全景，再察细微”的智能工作流。

U-Net 部分像一位快速扫描员，先将长达 100 万碱基的 DNA 序列进行多层概括，快速抓住“这里有个增强子，那里是启动子”的大局。

Transformer 部分则像一位深思熟虑的分析师，用注意力机制仔细推敲序列中远距离部分之间如何“隔空对话”。

最后，模型再层层还原细节，精确指出每一个特定碱基的作用。由此，远程调控与局部效应得以同时被精准捕捉。

更巧妙的是其训练策略——“知识蒸馏”。团队先训练出一群各有所长的“专家教师模型”，再训练一个统一的“学生模型”去学习所有老师的集体智慧与判断。最终，这个“学生”AlphaGenome 集百家之长于一身，且预测速度快如闪电（单次变异评估＜1 秒）。

最终，它能同时输出超过 11 类、数千种具体的基因组功能预测，从基因表达量、剪接模式到染色质三维结构，提供一份前所未有的“综合体检报告”。

一场“破暗”之旅的启程

AlphaGenome 能登上《自然》封面，绝不仅仅因为技术先进。根本原因在于，它为人类开启了一场系统性地“破解生命暗物质”的旅程，从而具有范式变革的潜力。

照亮疾病的“黑箱”：论文中展示的 T 细胞白血病案例极具说服力。对于那些已知致癌但机制不明的非编码突变，AlphaGenome 不仅准确预测它们会激活致癌基因 TAL1，更揭示了具体手法——意外地创造了一个全新的“开关”（转录因子 MYB 结合位点）。这为从“知其然”到“知其所以然”提供了强大工具。

重构研发的“管线”：在药物研发，尤其是基因疗法、反义寡核苷酸药物等领域，研究人员可以先在计算机中进行海量“虚拟试验”。快速筛选出最有效的靶点，并提前预警潜在的脱靶副作用，能将临床前研究的成本和风险大幅降低。

提供统一的“框架”：此前，解读一个变异可能需要组合使用多个独立工具，过程繁琐且结论可能矛盾。AlphaGenome 提供了一个统一、协同的分析框架，使得生成可验证的、机制性的科学假说变得前所未有的高效。

《Nature》封面，正定义着一个领域未来十年研究方向的开拓性工作。它标志着计算生物学从“零散工具辅助”迈向“系统智能模拟”的关键一步。

AI for Science：生命科学之后，轮到谁？

AlphaGenome 是“AI for Science”浪潮中一面最耀眼的旗帜。这一范式的主旨，是让 AI 成为科学发现本身的引擎，而不仅仅是数据分析的工具。

DeepMind 团队的路径清晰地展示了这种“逐个击破”的模式：

• AlphaFold：解决“蛋白质如何折叠”的结构生物学核心问题。

• AlphaMissense：解读“蛋白质编码区的错义变异有何影响”。

• AlphaGenome：破译“非编码 DNA 序列的调控语法与功能”。

每一步都攻克了上一环提供基础。蛋白质结构知识加深了对基因功能的理解，而这又反过来助力解读基因变异的影响。AI 正在生命科学的逻辑链条上，自下而上地系统性推进。

这一模式正在席卷其他科学领域：

• 数学：AI 协助数学家发现新的猜想与定理。

• 材料学：AI 高速筛选、设计具备特殊性能的新材料。

• 物理学：AI 用于模拟极端物理条件，甚至辅助设计核聚变装置。

这些探索的共同内核是面对高维、复杂、充满未知相互作用的系统，人类直觉和传统方法已触及边界，而 AI 能从海量数据中挖掘出超越人类经验的“隐式规律”。

从预测单一蛋白质，到解读整个基因调控网络，AI 解构生命复杂性的层次正在不断深入。AlphaGenome 不仅是一篇顶刊论文，更是一封来自未来的信息：以计算模拟和智能设计为核心的全新科学时代，已经加速到来。

论文信息

• 文章标题：

  Advancing regulatory variant effect prediction with AlphaGenome

• 发布期刊：Nature

• 发布时间：2026年1月28日

吴欧｜编辑