💡 導讀：身高排名前 1%，就代表一定能打進 NBA 嗎？

如果學校體檢報告顯示你的身高排在全校前 1%，這是否意味著你 100% 確定會成為職業 NBA 籃球員？

當然不！身高很高（前 1%）代表你具備了極高的人才優勢與被球探關注的「優先權」，但你最終能不能打進 NBA，還取決於你的運球技術、體能訓練、場上位置，以及球隊願不願意選你。

在基因醫學的世界裡，許多人看到 AI 給出一個「高風險評分」時，常會陷入相同的誤解，以為這代表病患有九成的機率會生病。但 Google DeepMind 的 AlphaGenome 團隊特別強調：AVI 分數提供的是「優先級（Prioritization）」，絕對不是「罹病機率（Probability）」！

今天，我們就來拆解 AVI 分數的數學真相，並看看 AI 如何透過「特徵歸因」幫我們打開黑盒子！

一、 預測分數的陷阱：是「排隊優先級」，不是「發病機率」

AVI 分數採用了類似傳統 CADD 工具的 Phred 標度（PR Scale）。這是一種對數轉換的數學表達方式，代表的是一個變異在全人類 90 億種可能變化中的 「罕見與破壞力排名」：

• 分數 10：代表該變異的潛在影響力進入了全部預測結果的前 10%。
• 分數 20：代表它擠進了 前 1%（影響力非常顯著）。
• 分數 30：代表它屬於極端的 前 0.1%（非常罕見且破壞力極強）。

當一個變異拿到了 20 分的高分，只代表 AI 幫你把這顆可疑的變異從幾百萬個字母的大海裡 「撈到了桌面上」，提醒醫生：「這顆變異非常不尋常，請優先檢查它！」

至於病患究竟會不會發病？這還取決於：

1. 發生在哪個基因上：有些基因容忍度很高，就算受損也不會致病；有些基因則是失之一毫，差之千里。
2. 遺傳模式：是顯性遺傳（單顆就致病）還是隱性遺傳（需要兩顆都突變）？
3. 臨床症狀與家族史：必須結合病患實際的生理檢查。

AI 負責「排序與定位」，而最終的臨床診斷，依然需要人類專家結合實際症狀來定奪。

二、 打開黑盒子：為什麼我們需要「特徵歸因（Feature Attribution）」？

如果 AI 系統只丟出一個冷冰冰的高分數，卻不解釋原因，這就像股票分析軟體只給你顯示「這檔股票 95 分，買進！」，卻不告訴你原因一樣。專業操盤手需要知道：這 95 分是因為公司賺大錢、外資大買，還是單純的市場炒作？

在基因學中也是一樣， 兩個 AVI 分數完全相同的變異，背後的生物學機制可能截然不同：

如果沒有特徵歸因，醫生就無法知道變異 B 需要做 RNA 剪接實驗，而變異 A 需要做蛋白質結構分析。DeepMind 刻意保留了特徵歸因，讓每一個高分背後都有清晰的證據鏈！

💻 三、 實作：【3D 基因組矩陣】提取 1 Mb 窗口下的 2D Contact Map 折疊數據 (contact_map_2d.py)

AlphaGenome 能在 1 Mb（100 萬鹼基）的超長視野 下，輸出 2,048 bp 解析度的 2D 接觸矩陣（Contact Maps）。今天我們來計算 3D 空間折疊結構是否因為突變而發生了崩塌！

💻 程式碼：contact_map_2d.py

# contact_map_2d.py - 2D 染色質 3D 折疊矩陣解析器
import numpy as np
import config
from hello_alphagenome import fetch_variant_raw_response

def compute_2d_contact_delta(raw_response):
    """計算 2D Contact Map 矩陣突變前後的落差"""
    tracks = raw_response.get("tracks", [])
    contact_track = next((t for t in tracks if t.get("assay_type") == "contact_maps"), None)

    # 若 API 無 2D 矩陣，提供 10x10 的模擬對角接觸矩陣
    if not contact_track or "ref_signal_2d" not in contact_track:
        ref_mat = np.eye(10) * 0.5
        alt_mat = np.eye(10) * 0.5
        alt_mat = 0.65  # 模擬第 2 區與第 7 區跨越空間打電話！
        alt_mat = 0.65
    else:
        ref_mat = np.array(contact_track["ref_signal_2d"])
        alt_mat = np.array(contact_track["alt_signal_2d"])

    delta_mat = alt_mat - ref_mat
    max_3d_impact = float(np.max(np.abs(delta_mat)))

    return {
        "matrix_shape": delta_mat.shape,
        "max_3d_impact": max_3d_impact,
        "delta_matrix": delta_mat
    }

if __name__ == "__main__":
    raw = fetch_variant_raw_response(config.TEST_VARIANT)
    res_3d = compute_2d_contact_delta(raw)

    print("\n" + "="*50)
    print(f"📐 3D Contact Map 矩陣維度: {res_3d['matrix_shape']}")
    print(f"⚠️ 最大 3D 空間折疊改變量: {res_3d['max_3d_impact']:.4f}")
    print("="*50)

明天，我們將迎來模組三的最高潮！我們將拿著這套 AVI 評分與特徵歸因武器，親自拆解那名六週大幼兒的「頑固型癲癇謎團」，看看 AI 是如何在 98% 的基因暗物質中精準揪出真兇的！