💡 導讀：1 PB 的「基因超大型地圖」：AI 如何在毫秒間搜尋 90 億種生命變異？

試想，要如何在 50 萬部 4K 高畫質電影裡，秒速找到「某個演員的某個眼神」?

1 Petabyte（PB）到底有多大？
1 PB 等於 1,000 TB，或者相當於 1,000,000 GB！如果換算成我們平常看的 4K 超高畫質影片，大概可以連續播放幾十年不間斷；如果把它存進智慧型手機，需要上千支頂配手機才裝得下！

Google DeepMind 的 AlphaGenome Atlas 打造的這座「全基因組預計算地圖」，資料量就高達 1 PB。

但是，如果醫生或科學家要在這座 1 PB 的資料大海中，查詢某位罕見病患者身上「第 9 號染色體某個字母突變」的影響，點一下查詢，如果需要等半小時，那這座地圖就毫無臨床實用價值了。

今天，我們就來拆解 AlphaGenome 如何透過空間索引（Spatial Indexing）與數據壓縮技術，實現「從 1 PB 海洋中秒撈數據」！

一、 從 90 億突變到 1 PB 的資料巨獸：為什麼數據會爆表？

為什麼 AlphaGenome Atlas 的資料量會膨脹到如此誇張的 1 PB？我們可以算一筆賬：

1. 基礎字母變異（90 億種）：人類基因組有 30 億個 DNA 位置（A、T、C、G），每個位置突編成另外 3 種字母，就是 90 億種單鹼基變異（SNVs）。
2. 插入與缺失（1 億+ 種 Indels）：再加上人群數據庫（如 gnomAD、UK Biobank）中觀察到的超過 1 億種「字母多出來或少掉」的 Indel 變異。
3. 多模態與多組織輸出（數千項軌跡）：最致命的是，AI 對於每一個變異，並不是只給出一個數字，而是同時預測它在幾百種細胞（如神經元、肝細胞、免疫細胞）裡的 RNA 產量、剪接位點、染色質開放度等數千項分子軌跡！

90 億個變異 × 數千項跨組織特徵 ＝ 1 PB 的巨型資料海洋。如果用傳統的 Excel 表格或純文字 JSON 檔開啟，電腦會瞬間崩潰！

二、 基因座標的空間索引哲學：如何秒速找到目標？

當你去一座擁有幾百萬本書的國家圖書館，如果想找一本關於「大腦神經發育」的書，你大概不會從第一排書架的第一本書開始一頁頁翻（這在電腦裡叫「全表掃描 Full Table Scan」）。最好是從「分類索引」開始找（例如：神經科學類 ➔ 第三排書架 ➔ 第五層）。

AlphaGenome 檢索 1 PB 資料庫的核心思想稱為 「空間索引（Spatial Indexing）」：

1. 以「基因座標」作為導航 GPS

在資料庫中，每個變異都有專屬的「地理座標 GPS」：

• 染色體（Chromosome）：就像是台北市的「行政區」（例如 chr9）。
• 鹼基座標（Position）：就像是「門牌號碼」（例如 123,456）。
• 替換字母（Ref > Alt）：就像是「住戶名字」（例如 A > G）。

2. 區塊壓縮（Block Compression）與點對點串流

系統利用類似 Tabix 或 BigWig 的技術，把 1 PB 的巨型地圖切分成無數個極小的「數據方塊（Chunks）」。
當研究員輸入 chr9:123456 時，後端伺服器完全不需要解開整座 1 PB 資料庫，而是透過 B-Tree 空間索引直接定位到存有該座標的那一個幾 KB 微小數據塊，解壓並回傳，瞬間完成「秒撈」！

💻 三、 實作：【Delta Score 計算】用 NumPy 矩陣減法量化突變破壞力 (calculate_delta.py)

拿到特定器官的預測波形後，我們會得到兩組一維數字陣列：野生型 (ref_signal) 與突變型 (alt_signal)。

為了找出突變帶來的 「淨破壞力（Net Impact）」，我們不能單看突變後的高度，而是必須計算兩者的落差，也就是 Delta Score：

[\text{Delta Score} = \text{Alt (突變型波形)} - \text{Ref (野生型波形)}]

💻 程式碼：calculate_delta.py

# calculate_delta.py - 用 NumPy 計算波形 Delta Score 差值
import numpy as np
import config
from hello_alphagenome import fetch_variant_raw_response
from filter_tissue_tracks import filter_tissue_tracks

def compute_track_delta(track_data):
    """將列表轉為 NumPy 矩陣，計算差值並找出最大波峰位置"""
    ref_arr = np.array(track_data.get("ref_signal", []))
    alt_arr = np.array(track_data.get("alt_signal", []))

    # 核心矩陣減法：計算 Delta 陣列
    delta_arr = alt_arr - ref_arr

    # 找出絕對破壞力最大的波峰位置與數值
    max_idx = np.argmax(np.abs(delta_arr))
    max_delta = delta_arr[max_idx]

    return {
        "tissue": track_data.get("tissue"),
        "assay": track_data.get("assay_type"),
        "max_delta_value": float(max_delta),
        "max_delta_index": int(max_idx),
        "delta_array": delta_arr
    }

if __name__ == "__main__":
    raw = fetch_variant_raw_response(config.TEST_VARIANT)
    tracks = filter_tissue_tracks(raw, config.TARGET_TISSUE, "splicing")
    delta_res = compute_track_delta(tracks)

    print("\n" + "="*50)
    print(f"🧠 器官: {delta_res['tissue']} | 模態: {delta_res['assay']}")
    print(f"⚠️ 最大波峰破壞力 (Max Delta): {delta_res['max_delta_value']:+.4f} (發生在相對座標 {delta_res['max_delta_index']})")
    print("="*50)

到目前為止，對於 AlphaGenome 演算法與工程黑盒子的深度拆解：CNN + Transformer 雙劍合璧、多模態分子軌跡、VEP 差分數學，一直到 1 PB 的預計算架構。

後續將探討 AlphaGenome 如何將這些海量數據濃縮成終極的 AVI (AlphaGenome Variant Impact) 評分，並開始拆解關於癲癇嬰兒的真實病歷。