AlphaGenome：非编码调控与变异效应预测

到 2026 年，如果目标是从 DNA 序列直接预测调控信号并评估非编码变异，AlphaGenome 是当前最值得优先理解的统一 sequence-to-function 模型之一。

它的核心不是给每个 SNP 一个抽象“致病分数”，而是预测：某段 DNA 在特定实验模态和生物背景下，可能产生怎样的分子读出。

1. AlphaGenome 在预测什么

AlphaGenome 以最长 1 Mb DNA 序列为输入，同时预测数千条功能基因组轨迹，覆盖：

gene expression；
transcription initiation；
chromatin accessibility；
histone modifications；
transcription factor binding；
chromatin contact maps；
splice-site usage；
splice-junction coordinates and strength。

不同输出具有不同分辨率，部分任务可达到单碱基级别。

这使它适合把一个非编码变异拆成更具体的问题：

这个碱基变化，模型预计会改变哪种分子信号、在哪个位置、方向和幅度如何？

2. 变异效应的基本逻辑

对 reference 和 alternate allele 分别做预测：

reference sequence ──> AlphaGenome ──> functional tracks
alternate sequence ──> AlphaGenome ──> functional tracks
                                      ↓
                                 predicted delta

这个 delta 可以落在不同层面，例如：

某个 TF binding track 改变；
ATAC/DNase 类可及性信号改变；
gene-expression prediction 改变；
splice-site usage 改变；
chromatin-contact prediction 改变。

因此，“variant effect 很大”本身是不完整的表述。真正需要报告的是：哪一个输出、哪个组织/细胞背景、哪个方向、多少变化。

3. 模型效应不是因果效应

AlphaGenome 的输出首先是计算预测。

即使模型对某个 SNP 给出很强的预测变化，也不能直接推出：

这个 SNP 是 GWAS locus 中的真正因果变异；
这个变化一定会在目标组织出现；
预测的 expression delta 与真实效应大小线性对应；
这个分子变化一定会产生最终表型。

更合理的定位是：用模型缩小候选空间，并提出可测试的分子机制。

4. 一个高分变异接下来该怎么验证

推荐把证据拆成四层。

层 1：模型预测

明确 AlphaGenome 预测改变的具体轨迹，例如 TF binding、chromatin accessibility、expression 或 splicing。

层 2：独立组学和遗传证据

检查是否有：

eQTL / sQTL；
GWAS/QTL fine-mapping；
ATAC/DNase；
ChIP/DAP-seq；
allele-specific expression / binding；
保守性或 motif disruption。

层 3：直接序列扰动

使用：

MPRA / reporter assay；
CRISPR editing；
CRISPRi/a；
等位基因替换；
定点突变。

这一步才是在直接测试“改这个序列是否导致预测的分子变化”。

层 4：最终功能或表型

如果研究目标是疾病、性状、发育或环境响应，还需要进一步证明分子效应与最终表型之间的关系。

5. 长上下文的真正价值

AlphaGenome 最大输入可到 1 Mb，但不要把这个数字本身当作性能保证。

对每个项目都应该重新问：

远端上下文是否真的改善目标预测？
任务是否依赖 enhancer–promoter、大片段结构或长程 contact？
模型是不是仍主要依赖局部 motif？
相邻窗口或同源区域是否泄漏到 test set？

如果目标只是一个局部 TF motif，百万级上下文未必会比更小、更专门的模型产生实际收益。

6. 植物和林木：先验证迁移，再谈解释

AlphaGenome 的代表性训练和 benchmark 主要围绕人类及哺乳动物功能基因组数据构建，因此不能默认直接迁移到植物。

植物和林木至少存在这些 domain shift：

TF repertoire 和 cis-regulatory grammar 不同；
转座元件比例和分布差异大；
倍性与基因家族扩张常见；
组织、发育阶段和环境响应更复杂；
与人类训练数据对应的功能组学覆盖通常更少。

对杨树等系统，更合理的是先建立严格 benchmark：

目标物种 genome
    +
ATAC/DAP-seq/ChIP/RNA-seq/QTL
    ↓
AlphaGenome zero-shot prediction
    ↓
与本物种 baseline 比较
    ↓
染色体级 / 同源感知 test split
    ↓
候选 variant ranking
    ↓
实验验证

如果 zero-shot 性能不足，再考虑微调、重新训练或采用本物种专用 sequence-to-function 模型。

7. 2026 年最重要的解释纪律

使用 AlphaGenome 时，建议始终把结论写成：

“模型预测该变异会改变某一分子读出，因此该位点是优先验证候选。”

而不是：

“AlphaGenome 证明该变异导致了某个表型。”

前者是计算证据的正确边界，后者越过了模型能够支持的层级。

参考资料

Avsec Ž, et al. (2026). Advancing regulatory variant effect prediction with AlphaGenome. Nature 649:1206–1218.