三十倍于 AlphaFold 库的预计算字典：Alpha Genome 解码「生命的菜谱」

Two Minute Papers 本期是主持人 Károly（转写作 Karoly）对 Google DeepMind 研究副总裁 Pushmeet Kohli 的专访，主题是刚发布的 Alpha Genome。他自嘲这是"远远超出我专业领域"的一集，全程以学生姿态提问。

它在做什么。Pushmeet 用一个贯穿全场的比喻解释：基因组是"生命的菜谱"——既有配料表（编码区，人类约 2 万种蛋白质），也有搅拌说明（非编码区，决定基因何时、何地、以何种数量表达，即"基因组暗区"）。人类基因组是一部约 30 亿字符的密码，Alpha Genome 要回答的问题是：改动其中任意一个字符，对细胞乃至 organism 意味着什么——会不会致病、会不会推高某类癌症或 BMI 的易感性。主持人用自己的健身论文轶事补刀：同样饮食训练的实验组里，有人暴涨肌肉、有人纹丝不动、还有人倒退——个体差异的谜底就写在这部菜谱的变体里。Pushmeet 提醒边界：镰刀型贫血这类单突变因果清楚，但当下多数关心的问题是多基因（polygenic）的；Alpha Genome 预测的是分子表型层面的效应，从分子表型到整个人体性状的连接仍需后续研究。

为什么这次不一样。技术突破点被主持人准确概括为"以前的模型要么视野太窄、要么分辨率太粗，这一个两者兼得"——Pushmeet 确认为真：前身 Enformer 的上下文窗口小、分辨率粗（多个碱基对打包处理）；Alpha Genome 是首个在碱基对分辨率上操作、同时容纳约 100 万碱基对窗口的模型，因此能捕捉因三维相互作用而远离变异位点的调控效应。训练数据为人类+小鼠基因组——主持人问了个内行问题：加入小鼠后它对人类部分变好了吗？Pushmeet 的回答是标准的迁移学习叙事：只喂人类数据，网络可以死记只在人类基因组上成立的机制；强迫它用同一套原理解释小鼠中的同类效应，就逼它学到更普适的规律。主持人联想 SIMA 玩多个游戏反哺单个游戏的现象，Pushmeet 认同这就是 transfer learning：“数学练好，物理也变好。”

成绩与怀疑。节目称其在 26 个变异效应基准中 25 个持平或击败最强对比模型——主持人说只有 AlphaFold 时代见过这种统治力。Pushmeet 描述了团队的"谨慎科学家"流程：结果出来先怀疑测到了训练集上，靠多年搭建的评估体系复核；这个项目做了四五年，不是三个月的冲刺。效应量的预测也非二值：对影响基因活性的突变，预测与观测效应量的相关系数 rho 约 0.5（主持人称"这已经令人惊叹"），且常常连效应的量级都大致正确。配套产品 Alpha Genome Atlas 则是"AlphaFold 时刻"的重演：把每个位点 3 种可能的单碱基变化（合计约 90 亿种单核苷酸变异）的效应全部预计算，形成 PB 级数据集开放给学界——规模是 AlphaFold 数据库（2.5 亿蛋白质结构、190 国 400 万+用户）的 30 倍。还设计了 AVIS 评分（Alpha Genome Variant Impact Score）：高分提示该变异值得仔细分析，低分则高置信度地排除重大影响——把海量数据压缩成研究者可操作的优先级。

学的是机制还是相关。面对主持人"很多论文根本证明不了机制"的质疑，Pushmeet 给出两层回答：其一，模型预测的是可被生物物理解释的分子级属性（剪接位点、基因表达），而非"这个变异→那个病"的统计捷径；其二，实验室验证（wet-lab validation）中预测站得住，还产出了关于变异重要性的新发现。他坦承"模型内部怎么做到的仍在解释中"，但任务本身扎根于物理。主持人还注意到论文里一个小细节并打了个好玩的比方：庞大模型之上只加了一层简单的 Lasso 正则化——“像 F1 引擎上装了个自行车铃铛”。Pushmeet 的回应其实是深度学习的经典审美：表征层应完成绝大部分工作，最终预测器应当简单到近乎 trivial。

下一步与远景。路线图：让模型感知细胞类型等上下文（不同细胞行为不同）、扩大训练数据、把分子表型与人体层面性状（疾病倾向）连接起来；合成生物学是明确的外溢方向（与 Evo 等 DNA 语言模型互补，后者采样新基因组、Alpha Genome 充当性质透镜）。结尾的快问快答有两个轻松亮点：Pushmeet 分享用 Gemini 给儿子解释风洞原理，模型现场生成了可调参数的气流模拟——“不完全准确，但演示了可能性”；以及主持人惯用的"十年百万倍算力再翻百万倍"思想实验，Pushmeet 的答案是虚拟细胞——完整模拟一个细胞的工作机制，对癌症治疗与合成生物学的意义不言自明，往上还有整只 organism、长期气候、超导（他顺便指出超导至今没有完整理论）。

机制链条：分辨率×窗口的双突破 → 首次在碱基层面同时看局部与远程调控 → 变异效应可被预计算成字典（Atlas，PB 级、30 倍 AlphaFold 库）→ 单点查询变成查表，研究成本从推理降为检索 → 应用从罕见病解读长出合成生物学等"根节点"分支。对读者的启发与 AlphaFold 一脉相承：当某个科学计算的开销被压到近零，使用模式会从"按需算"变成"全部算好放那里"——识别这种相变点，比追具体模型版本更重要。

不确定项：Alpha Genome/Atlas/AVIS、前身 Enformer、SIMA、Evo 等专名按转写结合上下文校正；“25/26 基准"“rho≈0.5"“90 亿变异"“30 倍规模"“2 万蛋白质"等数字均为节目转述，未经独立查证；本站不背书模型实际性能。