💡 導讀：生命說明書不只有零件清單……

想像一下，你拿到了一套包含 30 億個字母的「生命說明書」（人類基因組）。在過去幾十年來，科學家們只讀懂了其中的 2%，並把剩下的 98% 稱為「垃圾 DNA（Junk DNA）」。

假使這 98% 根本不是垃圾，而是整個生命的「超級控制台」呢？2025 年，Google DeepMind 在國際權威期刊 Nature 上發表了重磅論文，展示了 AI 模型 AlphaGenome Atlas 如何將全人類 90 億種可能的基因變異全部「預先計算」出來，並成功解開了隐藏在 98% 基因暗物質中的生命謎團。

一座工廠有零件藍圖，也有排班表、開關與輸送路線。只讀零件藍圖，未必知道為什麼某個時段的產量出了問題。DNA 也一樣：編碼蛋白質的區域只佔人類基因組的一小部分；不直接編碼蛋白質的序列，可能參與基因表達與 RNA 加工，也可能尚未知道功能。

「約 2% 編碼、約 98% 非編碼」是入門用的粗略比例。非編碼不等於全部具有調控功能，更不等於每個變異都會致病。 今天先學會把變異看成一條待檢驗的線索，而非診斷答案。

一、核心概念：從位置到問題

基因組座標回答「變異在哪裡」；註解回答「附近有什麼已知元素」；模型預測回答「某些分子訊號可能如何改變」。這三個問題需要不同證據。即使變異落在內含子或增強子附近，仍需確認基因、細胞情境與觀測資料，才能進一步討論機制。

AlphaGenome 可由 DNA 序列預測多種功能性基因組軌跡，支援研究者比較變異前後的模型輸出；AlphaGenome Atlas 則提供預先計算的單鹼基替換結果及 AVI 排序線索。AVI 是預測影響指標，不是個人發病機率、ACMG/AMP 分類或臨床診斷。

二、技術原理與研究用途：地圖不是現場照片

Atlas 像事先印好的地圖，可以協助研究者在大量候選中選擇後續查看的區域；模型產生的軌跡則像「依據已有資料做的天氣預報」。兩者都能提出問題，不能取代在相應細胞中取得的觀測結果。根據官方描述， Atlas 涵蓋約九十億種可能的單鹼基替換。

例如，某個非編碼變異旁有剪接相關預測訊號，合理的下一步是列出：使用哪個基因組版本、哪個轉錄本、哪種細胞、哪項剪接測試，以及哪些結果可能推翻假說。

💻 三、今日範例：「變異證據卡」

上圖是 AlphaGenome Atlas 的首頁範例展示頁面，目的是讓研究者快速理解：

「一個 DNA 變異（Variant）如何一路影響調控序列 → 轉錄因子結合 → 染色質開放程度 → 基因表現 → 疾病表型。」

從一個 DNA 變異出發，利用 AI 預測其如何改變調控元件、轉錄因子結合與基因表現，進而推斷疾病機制。

▶ 執行方式與預期結果

試著使用AlphaGenome Atlas，可以在搜尋欄位輸入你有興趣的標的，像是Variant（變異）、Gene（基因）、Genomic Interval（基因組區域）。

✅ 本日 Checklist

• [ ] 我能區分編碼區、非編碼區與「功能未知」。
• [ ] 我在證據卡中明寫基因組版本與 REF/ALT。
• [ ] 我沒有把 AVI 或其他分數稱為患病機率。
• [ ] 我能提出至少一項會支持或推翻假說的後續證據。

四、科學證據與限制

本篇為 概念教學。AlphaGenome 與 Atlas 的功能和規模依官方文件／論文描述；人工座標並未送入模型。本文沒有真實 AlphaGenome、Gemini 或 PubMed API 呼叫，也沒有臨床分類或實驗驗證。歷史 Atlas 截圖僅作候選插圖，須先完成權利、隱私與作者選圖審查；截圖中的分數只證明當時介面有顯示該數值。

五、明日預告

即使是知道「在哪裡」仍然不夠。Day 02 會看相同 DNA 在不同細胞中如何被使用，並練習把 biosample 當成解讀條件，而非致病性結論。

延伸閱讀與官方資料

• Google DeepMind：AlphaGenome 與 Atlas
• AlphaGenome 原始研究，Nature（2026）
• AlphaGenome 官方 FAQ：模型限制