💡 導讀：當你手上拿著 500 萬個嫌疑犯，每個嫌疑犯都有 3,000 頁報告……

如果你是一位偵探，正在調查一起複雜的案件。警方拿給你一份名單，上面有 500 萬個嫌疑犯（這就是一個普通人身上攜帶的 DNA 變異數量）。

更誇張的是，AlphaGenome 這台「多頻譜攝影機」超級強大，它幫每一個嫌疑犯都拍下了 幾千條詳細的分子動態軌跡報告（包含 RNA 剪接、染色質門有沒有開、轉錄產量多少等）。

剛開始你可能會覺得很興奮，但隨即就會陷入深深的絕望——因為資料實在太多了！如果要把 500 萬個變異、每個變異幾千條軌跡全部看完，可能要花上幾百年！在電腦科學中，這就叫做 「維度災難（Curse of Dimensionality）」。

臨床醫生如果每天面對這種「資訊爆炸」，根本無法做出診斷。因此，Google DeepMind 推出了一個新的指標——AlphaGenome Variant Impact (AVI) 評分！

一、 強強聯手：AVI 的 18 類特徵整合大腦

AVI 評分系統就像是把幾千頁的複雜報告，濃縮成一個直觀的「危險指數燈號」。它不是只靠單一 AI 模型，而是 DeepMind 旗下兩大頂級生醫 AI 的「強強聯手」：

1. AlphaMissense：負責守護 2% 的編碼區，精準預測錯義突變會不會把蛋白質零件的 3D 結構破壞。
2. AlphaGenome：負責解讀 98% 的非編碼區，預測變異對 RNA 剪接、基因表達與染色質開放度等調控開關的影響。

DeepMind 的工程師精心挑選了 18 類核心特徵 來訓練 AVI 模型，讓它既有超高準確度，又能保持極佳的可解釋性：

📊 PHRED 分數：它代表「優先順序」，而不是「罹病機率」

AVI 最終會將分數轉換為國際通用的 PHRED 標度：

• AVI = 10：代表這個變異的潛在影響力排在全基因組的前 10%。
• AVI = 20：代表擠進了前 1%。
• AVI = 30：代表排在前 0.1% 的極高風險區！

要特別注意的是：AVI 是一個「危險優先級排序分數」，而不是直接等於臨床的患病機率。它能幫研究人員快速挑出最值得優先排查的候選嫌疑犯。

二、 實戰成績單：在罕見病患者身上「秒抓致病變異」

這套 AVI 評分系統在真實的臨床患者身上表現如何？

在 GREGoR 罕見病聯盟的回溯性研究中，每位疑難雜症患者平均帶有 400 萬到 500 萬個候選變異。如果我們讓 AI 和傳統工具分別對這些變異進行排序，並只看前 50 名（Top 50）最危險的嫌疑犯：

• 傳統工具 CADD v1.7：在前 50 名中，只能抓到約 12.5% 的已知致病變異。
• AlphaGenome AVI 評分：在前 50 名中，抓到的致病變異召回率直接飆升到 29.5%（超越傳統工具兩倍以上！）。
• 加上人群頻率過濾（剔除常見無害變異）後：AVI 在前 50 名的致病變異召回率更是高達 74.3%（傳統 CADD 為 61.0%）！

這意味著，原本醫生需要從 400 萬個變異中大海撈針，現在只要看完 AVI 排序前 50 名的清單，就有高達四分之三的機會直接鎖定真正的致病元兇！

💻 三、 實作：【調控單字 (Motif) 捕捉】分析變異是否摧毀了轉錄因子密碼 (analyze_motifs.py)

AlphaGenome 從人類基因組中解讀出了超過 2,500 個調控單字 (Motifs)。當突變發生在非編碼區時，常會直接「擦除」或「創造」某個轉錄因子（如 E2F, TP63, CTCF）的結合密碼。

今天我們來寫一個解析腳本，看變異有沒有破壞 DNA 密碼單字！

💻 程式碼：analyze_motifs.py

# analyze_motifs.py - 調控單字 (Motif) 破壞分析器
import config
from hello_alphagenome import fetch_variant_raw_response

def extract_affected_motifs(raw_response):
    """萃取受突變影響的 DNA 調控單字 (Motifs)"""
    motifs = raw_response.get("affected_motifs", [])

    # 模擬數據 (若 API 回傳中無此欄位)
    if not motifs:
        motifs = [
            {
                "tf_family": "TP63 / TP53 家族 (皮膚/神經發育調控)",
                "motif_id": "MOTIF_TP63_012",
                "impact_type": "Disrupted (密碼被抹除)",
                "ref_score": 1.45,
                "alt_score": 0.02
            }
        ]

    return motifs

if __name__ == "__main__":
    raw = fetch_variant_raw_response(config.TEST_VARIANT)
    motif_list = extract_affected_motifs(raw)

    print(f"\n🧬 偵測到 {len(motif_list)} 個受到變異破壞的 DNA 單字：")
    for m in motif_list:
        print(f"  • 轉錄因子: {m['tf_family']}")
        print(f"  • 影響類型: {m['impact_type']}")
        print(f"  • 結合強度變化: {m['ref_score']} ➔ {m['alt_score']}")

明天，我們將繼續深入探索 AVI 分數的讀法與「特徵歸因（Feature Attribution）」技術，看看 AI 如何像拆解帳單一樣，讓我們一眼看懂高分背後的真實生物學原因！