💡 導讀：點外賣 vs. 廚師現採現做——為什麼 AI 要幫基因組做「預下載」？

如果你肚子餓點外送，店家是等你下單後才開始「去農場種菜、養雞、擠牛奶」，你可能要等上好幾個月才能吃到一頓飯。但如果店家早就把最受歡迎的餐點備好，你一下單，餐點幾十分鐘就能送到你手上！

在基因科學的世界裡，過去科學家每遇到一個可疑的基因變異，就得花費大量時間與高昂的伺服器算力從頭計算。而 Google DeepMind 的 AlphaGenome Atlas 做了一件非常狂的事情：它直接把人類基因組上所有可能的單字母突變，提前用 AI 全部算過一遍！

今天，我們就來看看這個高達 90 億次突變的「預先計算（Pre-computation）」工程奇蹟！

一、 從 Wet Lab到 Dry Lab (In Silico)：如果用試管做實驗，要花多少錢？

人類基因組大約有 30 億個 DNA 鹼基。在任何一個位置上，原本的字母（A、T、C、G）都可能突變成另外三種字母。這意味著，光是單一鹼基替換（SNVs），就有將近 90 億種可能性，這還不包含超過 1 億種的插入與缺失（Indels）變異。

如果在傳統實驗室（Wet Lab）裡進行「飽和突變實驗（Saturation Mutagenesis）」，逐一培養細胞並測量這 90 億種變化：

• 天文數字的成本：即使一次功能性實驗只需 1 美元，總成本也會高達 90 億美元！現實中的實驗遠比 1 美元昂貴且複雜冗長。
• 無窮無盡的變數：人體有數百種不同的細胞與組織，實驗室根本不可能在所有細胞條件下一一驗證。

因此，DeepMind 選擇了 In Silico（電腦模擬） 的解法。AlphaGenome 模型學會了 DNA 序列與 RNA 產量、剪接機制之間的生物學規律後，直接在電腦裡模擬了整座人類基因組，把所有可能的單字母突變結果「提前計算」完畢。

二、 預先運算地圖：用空間換取臨床的黃金時間

這項工程創舉的核心思維，就像是影音平台的「預先快取（Cache）」或即時數據儀表板：

• 過去（On-demand 現場計算）：研究者拿到一個病患的候選變異，必須編寫複雜程式碼、租用大量高階 GPU/TPU 算力來跑模型，每次查詢都要耗費數分鐘甚至數小時，門檻極高。
• 現在（Pre-computed 地圖）：AlphaGenome Atlas 已將運算結果鋪設成一座 1 PB（約 1,000,000 GB，規模是 AlphaFold 數據庫 30 倍以上） 的公共基礎設施。醫療團隊透過網頁或 API 查詢，就能像查字典一樣，在 數秒內秒速檢索出該變異的數千項調控預測結果！

💻 三、 實作：「雙引擎 Google AI 生態系」與「逆向拆解學習」

在這個 30 天實戰專案中，將打造一個典型的 「生醫專用 AI ＋ 通用推理解讀 LLM」 雙引擎架構，圍繞 Google 的 AI 技術展開：

                ┌──────────────────────────────────────────┐
                │        雙引擎 Google AI 生態系            │
                └────────────────────┬─────────────────────┘
                                     │
           ┌─────────────────────────┴─────────────────────────┐
           ▼                                                   ▼
【引擎 1：Google DeepMind AlphaGenome】          【引擎 2：Google Gemini ＆ AI Studio】
  👉 專用基因 AI 模型                            👉 臨床推理與多代理人 LLM
  • 負責 1 Mb 窗口、90 億變異預測                • 負責思維鏈 (CoT) 臨床診斷推理
  • 輸出 AVI 分數、RNA 剪接、3D 矩陣             • 負責 Function Calling (查 PubMed)
  • 算定量數字與波形                             • 負責 ACMG 判決與生成 JSON 報告

很多程式小白或生醫研究員在準備寫程式時，最常面臨的障礙就是： 「打開空白的 VS Code 編輯器，看著游標閃爍，卻完全不知道第一行程式碼該怎麼寫。」

別擔心！ 「逆向拆解學習法（Reverse Engineering）」 有別於傳統寫程式是「從零手刻」，只要遵循以下三個步驟，即使是零基礎小白也能在 幾分鐘內寫出第一支 API 腳本：

「Google AI Studio ➔ VS Code 落地三步驟」

💡 步驟 1：創意發想         ⚡ 步驟 2：AI 快速驗證             💻 步驟 3：本地端重構
[確立題目與需求] ──Prompt──> [Google AI Studio 生成] ──Get Code──> [VS Code 拆解與模組化]

在Day 03總覽了由Google AI Studio 生成一個可運作的最小可行產品（Minimum Viable Product）原型後，做為參考，後續就可以開始在本地端進行拆解與模組化。

接下來，回顧 DeepMind 如何從預測靜態蛋白質結構的 AlphaFold，一路跨越到解讀動態基因調控的 AlphaGenome，看看這場 AI 生物學革命的演進史！