💡 導讀：用舊的手機功能，能評估最新智慧型手機的創新嗎？

試想，如果你想評估最新款智慧型手機上的「臉部辨識（FaceID）」功能重不重要，結果卻是去翻看 20 年前的按鍵式老摺疊機，看看裡面有沒有這個功能。

然後你發現，舊的摺疊機裡完全沒有臉部辨識！於是你得出結論：「這個功能在歷史上根本不存在，一定是不重要的廢功能。」

這聽起來很荒謬對吧？但在科學界過去幾十年來，評估基因變異「危不危險」時，經常陷入類似的思維盲區。這種方法叫做「演化保守性（Evolutionary Conservation）」。

今天我們將解開傳統工具（如 PhyloP、CADD）為何在 98% 的非編碼區（Non-coding region）頻頻碰壁，以及 AI 模型如何打破這個迷思！

一、 演化密碼的極限：當「人類特有功能」被當成雜訊

在基因學中，科學家評估一個 DNA 字母突變是否有害，最常用的指標之一就是跨物種的「演化保守性」。

1. 什麼是演化保守性（PhyloP / PhastCons）？

• 核心邏輯：如果在幾千萬年的演化過程中，某段 DNA 序列在人類、黑猩猩、老鼠甚至雞身上都保持一模一樣，代表這段序列承擔了極其關鍵的生存功能；一旦這裡發生突變，通常就會引發嚴重疾病。
• 2% 編碼區的成功經驗：在製造蛋白質的 2% 編碼區裡，這個邏輯非常通用。這也是為什麼醫學研究常使用老鼠做實驗模型，因為我們和老鼠共享了許多關鍵的蛋白質製造藍圖。

2. 98% 非編碼區的致命盲區：人類特異性（Human-specificity）

然而，這套邏輯放到佔據基因組 98% 的非編碼調控區時，卻常踢到鐵板：

• 靈長類與人類特有的開關：人類擁有複雜的大腦皮質發育、高級認知與神經調控網路，許多關鍵的「增強子開關」是人類或靈長類在演化後期才新出現的。
• 被誤判的關鍵開關：如果單純用跨物種保守性（如比對老鼠或低等脊椎動物）來評分，這些只在人類神經元裡發揮作用的新型調控開關，會因為老鼠身上沒有，而被傳統工具當作「演化上不保守、不重要」的雜訊給過濾掉！

二、 傳統預測工具的痛點：給得出分數，卻給不出「原因」

為了克服單一保守性的缺點，傳統機器學習工具（例如 CADD v1.7）結合了保守性與靜態基因註解，打包成一個綜合危險分數（例如 CADD > 25）。

但在非編碼區，傳統工具依然面臨三大瓶頸：

*備註:
AlphaGenome 的 AVI（Variant Impact）是整合 **18 類多模態生物特徵（官方分類）**的深度模型，涵蓋：

A. 序列與演化特徵（Sequence & Evolution）— 6 類

1. PhyloP conservation（位置保守度）
2. PhastCons conservation（區域保守度）
3. Gerp++ score（演化限制）
4. Sequence context（局部序列模式）
5. CpG / GC content（序列組成）
6. Motif disruption（轉錄因子/調控 motif 破壞）

B. RNA 層級特徵（RNA-level features）— 4 類

7. Splice donor strength
8. Splice acceptor strength
9. Δsplice（剪接差值軌跡）
10. RNA expression trajectory（組織特異性表達軌跡）

C. 蛋白質層級特徵（Protein-level features）— 4 類

11. Protein stability ΔΔG（摺疊穩定度）
12. Protein domain location（結構域位置）
13. Structural disruption index（結構破壞）
14. Residue-level functional importance（胺基酸功能重要性）

D. 染色質與調控特徵（Chromatin & Regulatory）— 4 類

15. Chromatin openness trajectory（ATAC-seq）
16. Enhancer activity trajectory（H3K27ac）
17. Promoter accessibility
18. Regulatory element disruption（CRE 破壞）

傳統工具最大的硬傷：缺乏「分子機制級」的解釋力

當臨床醫師拿到一份測序報告，看到某個變異的 CADD 分數高達 25 分（代表前 0.3% 危險），最大的困境是：醫生完全不知道它究竟哪裡壞掉了！

• 是把轉錄因子結合點砸壞了？
• 是讓染色質無法打開？
• 還是製造了錯誤的 RNA 剪接點？

沒有「為什麼」，後續研究人員就無從設計細胞實驗來驗證，最終這個變異只能永遠被卡在**「意義不明變異（VUS）」**的清單中。

三、 AlphaGenome（AVI 評分）如何突破死角？

Google DeepMind 的 AlphaGenome Atlas 不只依賴傳統的演化保守性，而是透過深度學習直接預測 DNA 的動態分子功能：

1. 多模態動態預測：AlphaGenome 一次讀取 100 萬個 DNA 鹼基，直接預測 RNA 剪接、染色質開放度（DNase/ATAC）、轉錄因子結合（ChIP-TF）等數千項分子軌跡。
2. AVI 評分與 SHAP 歸因：AVI 評分將 18 類特徵融合，並透過 SHAP 分析把分數拆解。它能直接告訴醫生：「這個變異危險分數高，有 69% 是因為破壞了大腦神經元裡的 RNA 剪接！」
3. 實測數據説話：
   • 在 ClinVar 的內含子單鹼基變異評測中，AVI 的 AUPRC 達到 0.76（大幅領先傳統或保守性工具的 0.44）。
   • 在 GREGoR 罕見病聯盟的真實患者篩選中，在未過濾人群頻率前，AVI 在前 50 個候選變異中對致病變異的召回率達 29.5%（顯著超越 CADD v1.7 的 12.5%）。

💻 四、 實作橋樑：為 Google AI Agent 植入領域推理大腦

瞭解了生物學瓶頸後，我們後續在架構 Agent 時，邏輯就會非常清晰：

• 多模態軌跡提取：我們不能只讓 Agent 撈取單一的分數，而是要透過 API 提取 AlphaGenome 在特定組織（如大腦神經元）的多模態預測軌跡（如 RNA 剪接變化差值）。

• 提示詞工程（Prompt Engineering）：讓 Gemini 針對「組織特異性」進行跨器官數據比對與最新醫學文獻的交叉推理。

• 步驟如下：

1. 將其寫成 Production 等級、可直接部署的版本，包含角色、任務、工具使用規則、輸出格式、錯誤處理、醫學安全原則。
   

2. 升級成**「跨器官多模態軌跡 Research Agent」，增加組織特異性軌跡要求與跨器官差異比對**。
   

3. 升級為 Antigravity 多代理架構 (Multi-Agent System)，將單一的研究分析轉換為四位專業代理與編排總控的自主協作系統—基因代理、軌跡代理、文獻代理 、臨床代理。
   

我們已經看清了基因暗物質的運作邏輯與傳統工具的死胡同，接下來將正式進入系統選型階段，探討在茫茫技術海中，AI 代理如何消化這些巨量複雜醫學數據。