开场：一封信，30 亿个字母

2013 年，人类基因组计划完成 10 周年。测一个人的全基因组需要 1000 万美元和几个月的时间。2023 年，这个数字变成了 200 美元和 24 小时。2026 年，99 美元，5 小时。

但有一个问题始终没有解决：测出来有什么用？

想象你收到了一封用 30 亿个字母写成的信，字母只有 A、T、C、G 四种。你看得懂每一个字母，但你不理解这封信说了什么。哪些字母组成了"单词"（基因）？哪些"单词"是拼写错误（突变）？这些"拼写错误"会导致什么后果？你不知道。

AI 基因组学要解决的问题，就是读懂这封 30 亿字母的信。

人类基因组：一本有"拼写错误"的百科全书

你的基因组里有大约 2 万个基因，编码蛋白质的 DNA 序列只占整个基因组的 1.5%。剩下的 98.5% 曾被称为"垃圾 DNA"——但后来发现，它们不是垃圾，而是调控序列、结构序列、以及我们还不知道功能的神秘序列。

每个人的基因组和"参考基因组"相比，大约有 400-500 万个单核苷酸变异（SNP）——也就是"拼写错误"。大多数 SNP 是无害的（比如决定了你的头发颜色、身高、是否乳糖不耐受）。但少数 SNP 会导致疾病——从囊性纤维化到癌症易感性。

问题在于：400 万个变异中，哪些是致病的，哪些是无害的？ 人类遗传学家花了 30 年，也只能解释其中一小部分（约 10-15%）。

AI 做了什么？

AI 基因组学最核心的应用是变异解读（Variant Interpretation）——判断一个基因变异是否会导致疾病。

传统方法是：对每个变异，查阅文献（有没有人报道过这个变异导致疾病？）、做功能预测（这个变异会不会改变蛋白质结构？）、看人群频率（这个变异在健康人群中常见吗？如果常见，大概率无害）。

AI 的方法不同。 2025 年，DeepMind 发布了 AlphaMissense——一个专门用于预测"错义突变"（导致氨基酸改变的突变）致病性的 AI 模型。它把 7100 万个人类基因组中已知的错义突变分了类：57% 可能是良性的，32% 可能是致病的，11% 不确定。

AlphaMissense 的预测准确率达到了 90%（在已知致病性标签的突变上验证）。 这意味着，对于绝大多数未知的错义突变，AI 可以给出一个"粗略的判断"。

但"粗略判断"不够用

2025 年，斯坦福大学的一个临床遗传学团队做了一个实验：他们将 AlphaMissense 的预测结果与临床医生的诊断结果进行了对比。

结果令人不安： 在 AlphaMissense 预测为"致病"的 100 个变异中，临床医生只确认了 68 个确实与疾病相关。另外 32 个要么是"意义不明"（VUS——临床遗传学中最让人头疼的结论），要么是"预测错误"。

更严重的是： AlphaMissense 预测为"良性"的 100 个变异中，有 7 个实际上与已知的遗传病相关。这意味着，如果你完全依赖 AI 的预测，有 7% 的致病突变会被漏掉。

在临床诊断中，7% 的漏诊率是不可接受的。 但 AI 的 90% 准确率已经是目前最好的水平了。人类遗传学家对错义突变的分类准确率约为 85-88%。

AI 基因组学的三个"深水区"

深水区一：非编码区变异。 AlphaMissense 只能预测"错义突变"——即位于编码蛋白质的 DNA 区域、且改变氨基酸的突变。但大量的致病突变发生在非编码区（调控区域）。这些突变不改变蛋白质的氨基酸序列，而是改变基因的"开关"——什么时候、在哪里、以多大强度表达。解读非编码区变异，比解读错义突变难一个数量级。

深水区二：多基因效应。 大多数常见疾病（高血压、糖尿病、精神分裂症）不是由单个基因突变引起的，而是由几十个甚至几百个基因的微小效应叠加而成的。AI 可以预测单个变异的致病性，但预测"一群变异的组合效应"是另一个问题。

深水区三：基因-环境交互。 一个基因变异在某种环境下可能是致病的，在另一种环境下可能是无害的。比如，一个影响脂肪代谢的基因变异，在"高脂饮食"的环境下可能导致肥胖，但在"低脂饮食"的环境下可能完全无害。AI 看不到"环境"——它只能看到 DNA 序列。

结尾：99 美元能买到什么？

2026 年，99 美元的全基因组测序已经成为现实。但你需要知道：99 美元买到的是"数据"，不是"答案"。

AI 可以帮你把 30 亿个字母变成一份"变异列表"，但把变异列表变成"健康建议"需要人类遗传咨询师。 AI 可以告诉你"你的第 327 号基因有一个错义突变，AlphaMissense 预测它有 78% 的概率致病"，但它不能告诉你"这意味着你需要每年做一次心脏超声检查"。

基因组学中的"最后一公里"——从数据到决策——仍然需要人类的判断。AI 是强大的阅读器，但读完之后，你还需要一个翻译。

推荐阅读：AlphaMissense 论文 (Science, 2023)；斯坦福临床验证研究 (Genetics in Medicine, 2025)；UK Biobank 全基因组测序项目 (2025)