改一個字母，實驗室測不完
想像一下，你要查一座塞車城市的超大路網。城市就像一盤棋，改一個字母就換一版。
人類基因組大約 30 億 個 DNA 字母，每個位置還能換另外三種，加起來接近 90 億 種單字母改動。
巷子一改，號誌全亂。測一種，就要重新鋪一條路。
Google DeepMind 在 2026 年 9 月釋出 AlphaGenome Atlas，把這些改動的分子效應預先算成約 1 PB 的地圖，並附上可排序的 AVI 分數。 先印好地圖與圖例，不叫你每次出門都重鋪路面。
地圖比每次重測路況划算
編碼區大概只佔 2%，比較像藍圖上的結構柱。其餘約 98% 比較像控制台，管著基因何時開工。
控制台決定何時開燈、開多大、剪接成哪種零件。多數性狀相關變體落這裡。你若只盯結構柱，會漏掉大半開關。
AlphaGenome 讀最長 1 Mb 的 DNA，並以單鹼基解析度預測表達、剪接、染色質可及性等多條分子軌道。
2026 年 Nature 寫到，變體效應評測 26 項裡有 25 項達到或超過當時最強外部模型。不過候選太多了，即時重算太貴。
Nature News 提到，模型釋出後約有 9000 人用過 API。全基因組仍吃不消。
於是 Atlas 在 hg38 上先算完，讓人改成查表。這份資料比 AlphaFold 結構庫還大 30 倍以上，也納入 biobank 觀察到的 1 億 級短插入缺失。
你打開的是公開路況板，不必自備測速槍。對小實驗室，這就像維修隊先看熱點圖。
模型、分數與真實案型
分子軌道一堆，所以你需要圖例。AVI 就是圖例。
團隊把多模態預測與 AlphaMissense 等特徵收成 AVI（AlphaGenome Variant Impact） 分數，再用 SHAP 拆回剪接、可及性、保育等項目。
技術報告寫，每個變體平均約有 27000 個實驗條件向的標量預測；訓練則用等位基因頻率 0.1% 上下當近似標籤。
分數高，值得先查。不是判決。
合作團隊已用它縮短尋針時間。
Broad 與 GREGoR 脈絡下，AVI 協助把未解罕見病候選排到 DNM1 相關變體。模型好比剪接路口接錯一樣，蛋白被異常拉長，實驗也對上方向。
Exeter 團隊在 54000 人以上的 UK Biobank 全基因組資料裡，依預測分子效應分組，多抓到約 22% 的非編碼關聯；只看 top 1% 最有衝擊的非編碼變體，與 BMI 相關區域可收到 19 個。
它如同先把塞車熱點標紅，再派維修隊去堆積路口。
流程是候選清單、AVI 排序、機制假說、實驗核對。 中間少不了你自己的表型與家系脈絡。
地圖能縮程。現場仍要維修。
地圖不是診斷書
你不該把 AVI 高分讀成已證實致病，研究限制比標題刺眼。
帶走一句：全基因組單字母改動可以被預先畫成研究用地圖，排序與分子圖例能加速假說。別帶走個人化基因報告或用藥依據。
官方寫明未通過臨床驗證；AVI 的頻率標籤是近似；訓練資料在細胞類型與某些 RNA 類型上仍有缺口，研究範圍仍有邊界；超遠端調控與跨分子通路的因果也還蓋不全。
商用與學術條款不同，可識別序列外送前還有同意問題。
下次看到「AI 讀懂基因組」的新聞，你知道嗎？它給的常常是路況排序。你為什麼還要確認實驗是否把那條改道封街驗證過？