AlphaGenome Atlas: как ИИ заранее оценил 9 миллиардов мутаций

AlphaGenome Atlas начинается с почти невозможной задачи: заранее оценить, что произойдёт, если заменить одну букву ДНК на другую в любой точке генома человека. Таких замен колоссально много. В геноме около 3 миллиардов позиций, и в каждой из них исходную «букву» можно поменять на три другие. В сумме получается примерно 9 миллиардов возможных однонуклеотидных замен.

Именно это и сделала Google DeepMind — не в лаборатории, а вычислительно. Компания открыла ресурс, в котором для всех таких замен заранее рассчитаны вероятные молекулярные последствия: как вариант может повлиять на работу гена, на сплайсинг, на доступность хроматина или на другие регуляторные процессы. Это не каталог уже доказанных эффектов, а очень большая карта предсказаний.

Новость особенно важна потому, что Atlas не появился из пустоты. Он построен на модели AlphaGenome, научная статья о которой вышла в Nature в январе 2026 года. Там авторы показали, что модель может брать длинные участки ДНК — до 1 миллиона пар оснований — и предсказывать сразу множество функциональных характеристик генома с высоким разрешением.

Что именно умеет AlphaGenome

С геномом есть старая проблема: белки кодируют только около 2% нашей ДНК, а остальные 98% в основном работают как сложная система регуляции. Эти участки не содержат прямой «инструкции» для сборки белка, но помогают решать, когда, где и насколько активно будет работать тот или иной ген. Именно там находится огромная доля вариантов, которые трудно интерпретировать.

AlphaGenome пытается читать оба слоя сразу — и «текст», и «панель управления». В статье авторы показали, что модель предсказывает экспрессию генов, запуск транскрипции, доступность хроматина, модификации гистонов, связывание транскрипционных факторов, контакты хроматина, а также сплайсинг. В 25 из 26 сравнений по предсказанию эффектов вариантов модель соответствовала лучшим внешним методам или превосходила их.

Проще говоря, если обычный анализ часто отвечает только на вопрос «где находится вариант», то AlphaGenome пытается ответить и на вопрос «что этот вариант, вероятно, меняет в работе клетки».

Зачем тогда нужен Atlas

Отдельную модель можно запрашивать для конкретных вариантов, но Atlas делает следующий шаг: предвычисляет результаты сразу для всего пространства возможных однонуклеотидных замен. Получается база объёмом около 1 петабайта, где каждому варианту сопоставлен не только набор предсказанных эффектов, но и сводный показатель AlphaGenome Variant Impact, или AVI. Он нужен для быстрого приоритизирования: какие варианты стоит изучать в первую очередь.

Практический смысл здесь очень большой. В официальных примерах DeepMind показывает, что исследователи Broad Institute использовали эти предсказания для поиска причины редкого генетического случая и выделили вариант в DNM1, который затем подтвердили экспериментально. В другом примере исследователи из Университета Эксетера анализировали данные более чем 54 тысяч участников UK Biobank и с помощью Atlas смогли резко сузить число кандидатов: в одном из участков список сократился с 526 вариантов до 4.

Такие ресурсы особенно полезны там, где вариантов слишком много, а экспериментальная проверка каждого практически невозможна. В этом смысле Atlas — не просто ещё одна база, а инфраструктура для отбора гипотез.

Что Atlas пока не делает

Самое важное ограничение в том, что AlphaGenome Atlas не доказывает эффект варианта сам по себе. Это вычислительное предсказание, а не прямой экспериментальный результат. Если система ставит варианту высокий балл, это ещё не означает, что он обязательно вызывает болезнь или будет одинаково действовать в организме любого человека.

Поэтому Atlas лучше понимать как очень мощный фильтр. Он помогает уменьшить поисковое пространство и быстрее находить варианты, которые действительно заслуживают лабораторной проверки. Для генетики это уже немало: никто не сможет проверить 9 миллиардов мутаций вручную, но теперь у исследователей появилась карта, по которой можно искать гораздо осмысленнее.