Google DeepMind Ra Mắt AlphaGenome Atlas Với Dự Đoán Cho 9 Tỷ Biến thể DNA

Google DeepMind đã ra mắt AlphaGenome Atlas vào ngày 8 tháng 9 năm 2026, cho phép các nhà nghiên cứu tra cứu tác động phân tử được dự đoán của khoảng 9 tỷ thay đổi một ký tự có thể xảy ra trong bộ gen người.

Cơ sở dữ liệu một petabyte này áp dụng trước mô hình AlphaGenome của DeepMind trên toàn bộ bộ gen tham chiếu của người. Thay vì chọn từng biến thể riêng lẻ, viết mã và chạy mô hình đòi hỏi nhiều năng lực tính toán cho mỗi phân tích, các nhà nghiên cứu có thể truy xuất kết quả đã được tính sẵn qua cổng web hoặc giao diện lập trình.

Atlas cũng giới thiệu điểm AlphaGenome Variant Impact, hay điểm AVI. Điểm này kết hợp các dự đoán của AlphaGenome về tác động điều hòa với dự đoán AlphaMissense cho các biến thể làm thay đổi protein, tạo ra một điểm số có thể dùng để xếp hạng các thay đổi trong cả DNA mã hóa lẫn không mã hóa.

Đây là một hệ thống ưu tiên nghiên cứu, không phải cơ sở dữ liệu chẩn đoán lâm sàng. Các mục trong đó là dự đoán của mô hình thay vì phát hiện đã được xác lập bằng thực nghiệm, và Google nghiêm cấm sử dụng chúng để ra quyết định lâm sàng.

1. DeepMind Đã Tính Trước Mọi Phép Thay Thế Một Ký Tự Có Thể Có

Bộ gen người chứa khoảng 3 tỷ cặp base. Ở mỗi vị trí, ký tự DNA tham chiếu về lý thuyết có thể được thay bằng bất kỳ một trong ba ký tự còn lại, tạo ra khoảng 9 tỷ phép thay thế một nucleotide có thể có.

AlphaGenome Atlas chứa các dự đoán cho toàn bộ không gian tìm kiếm này so với bộ gen tham chiếu của người. Tập dữ liệu kết quả chiếm khoảng một petabyte, mà DeepMind cho biết lớn hơn hơn 30 lần so với AlphaFold Database.

Quy mô này không có nghĩa Atlas bao phủ mọi dạng biến dị di truyền có thể có ở người. Nó tập trung vào các phép thay thế một ký tự. Các đột biến chèn, mất đoạn, biến thể cấu trúc và tổ hợp biến thể trong bộ gen của một cá nhân nằm ngoài danh mục 9 tỷ biến thể được mô tả khi ra mắt.

Trước Atlas, các nhà nghiên cứu có thể gửi các trình tự hoặc biến thể được chọn tới AlphaGenome API. Cách tiếp cận đó phù hợp với các nghiên cứu có mục tiêu nhưng đòi hỏi người dùng quyết định cần kiểm tra gì rồi dành tài nguyên tính toán để tạo dự đoán. DeepMind cho biết API mô hình thông thường phù hợp với các phân tích liên quan đến hàng nghìn dự đoán và khó có thể phù hợp với khối lượng công việc vượt quá một triệu dự đoán.

Atlas chuyển phần tính toán đó lên trước. Theo bài đưa tin của IEEE Spectrum về sự kiện ra mắt, ban đầu DeepMind ước tính cần cải thiện tốc độ khoảng 80 lần để tính toàn bộ tập hợp trong một khoảng thời gian khả thi. Nhóm đã sử dụng chưng cất mô hình, tối ưu hóa GPU kernel và loại bỏ các phép tính dư thừa để đạt quy mô cần thiết.

Kết quả thực tế là một tài nguyên tra cứu dùng chung. Các phòng thí nghiệm không phải lặp lại cùng một suy luận mô hình cho một biến thể phổ biến, và các nhà nghiên cứu không có quyền tiếp cận bộ tăng tốc mới hơn có thể xem các dự đoán qua trình duyệt.

2. AlphaGenome Dự Đoán Những Gì

AlphaGenome được giới thiệu vào tháng 6 năm 2025 và được mô tả trong một bài báo Nature đã phản biện, công bố ngày 28 tháng 1 năm 2026. Đây là mô hình từ trình tự đến chức năng: nhận đầu vào là trình tự DNA và dự đoán các phép đo phân tử liên quan đến điều hòa gene.

Mô hình xử lý tới một triệu cặp base DNA mỗi lần. Kiến trúc của nó dùng các lớp tích chập để nhận diện các mẫu trình tự cục bộ, transformer để trao đổi thông tin trên toàn bộ đầu vào, và các lớp đầu ra chuyên biệt cho những dạng hoạt động bộ gen khác nhau.

Mô hình được công bố đồng thời dự đoán 5.930 track bộ gen người hoặc 1.128 track bộ gen chuột trên 11 modality. Chúng bao gồm biểu hiện RNA, khởi đầu phiên mã, khả năng tiếp cận chromatin, biến đổi histone, liên kết yếu tố phiên mã, tiếp xúc chromatin ba chiều, vị trí splice, mức sử dụng vị trí splice, cùng tọa độ và cường độ splice junction.

Đối với phân tích biến thể, AlphaGenome so sánh các dự đoán tạo ra từ trình tự tham chiếu với dự đoán từ một trình tự chứa ký tự DNA thay thế. Sự khác biệt cho biết mô hình dự kiến thay đổi đó sẽ ảnh hưởng đến các quá trình phân tử như thế nào trong những bối cảnh sinh học cụ thể.

Trong đánh giá trên Nature, AlphaGenome đạt hoặc vượt các mô hình bên ngoài mạnh nhất trong 25 trên 26 đánh giá tác động biến thể và đạt kết quả tiên tiến nhất trong 22 trên 24 tác vụ genome track. Các phép đo này đánh giá năng lực từng mô hình theo các benchmark xác định; chúng không xác lập rằng mọi dự đoán trong Atlas mới đều chính xác.

Atlas chứa hàng nghìn dự đoán tác động phân tử cho mỗi biến thể. Nó cũng liên kết các biến thể với một tập hợp hơn 2.500 motif trình tự DNA lặp lại, có thể giúp các nhà nghiên cứu xem xét liệu một thay đổi có làm gián đoạn một mẫu điều hòa có thể nhận diện hay không.

3. Điểm AVI Bổ Sung Một Lớp Xếp Hạng Trên Toàn Bộ Bộ Gen

Số lượng đầu ra do AlphaGenome tạo ra tự nó đặt ra một vấn đề diễn giải. Một biến thể có thể ảnh hưởng khác nhau đến mức độ RNA được dự đoán, khả năng tiếp cận chromatin hoặc splicing ở nhiều mô và loại tế bào. Việc xem xét mọi đầu ra là không thực tế khi một nghiên cứu bắt đầu với hàng nghìn hoặc hàng triệu ứng viên.

Điểm AVI cô đọng thông tin này thành một giá trị tác động duy nhất. Đối với các vùng không mã hóa, nó dựa trên dự đoán điều hòa của AlphaGenome. Đối với các biến thể làm thay đổi protein, nó tích hợp AlphaMissense, mô hình chuyên biệt của DeepMind để đánh giá các thay đổi missense.

Điều này mang đến cho các nhà nghiên cứu một cơ chế xếp hạng chung trên khoảng 2% bộ gen mã hóa protein và phần không mã hóa lớn hơn nhiều, vốn tham gia kiểm soát hoạt động gene. Điểm cao nhằm xác định các biến thể đáng được xem xét kỹ hơn, chứ không tuyên bố một biến thể gây bệnh.

DeepMind cũng cung cấp quy gán đặc trưng cùng với điểm số. Chúng phân rã kết quả thành các hạng mục sinh học, chẳng hạn thay đổi được dự đoán đối với RNA splicing, biểu hiện gene, khả năng tiếp cận chromatin, bảo tồn trình tự hoặc chức năng protein. Do đó, các nhà nghiên cứu có thể đi từ một ứng viên được xếp hạng tới một cơ chế phân tử được đề xuất.

Lớp khả năng diễn giải này quan trọng vì một điểm tổng hợp duy nhất có thể che giấu những khác biệt đáng kể. Một nhà di truyền học bộ gen độc lập được IEEE Spectrum phỏng vấn cảnh báo rằng con số đơn giản hóa có thể bị diễn giải sai vì điều hòa bộ gen liên quan đến nhiều quá trình tương tác. Các dự đoán chi tiết và quy gán đặc trưng vẫn cần thiết để hiểu vì sao một biến thể nhận được thứ hạng đó.

4. Các Nghiên Cứu Ban Đầu Cho Thấy Atlas Có Thể Thu Hẹp Phạm Vi Tìm Kiếm

DeepMind cho biết các nhóm nghiên cứu bên ngoài đã sử dụng Atlas trước khi ra mắt trong các dự án về bệnh hiếm, di truyền học quần thể và điều hòa gene. Những ví dụ này cho thấy vai trò dự kiến của nó là bộ lọc cho công việc thực nghiệm.

Các nhà nghiên cứu liên kết với Broad Institute và GREGoR Consortium đã sử dụng điểm AVI để ưu tiên biến thể trong các ca bệnh hiếm chưa được giải quyết. Một ứng viên ảnh hưởng đến gene DNM1, có liên quan đến bệnh não phát triển và động kinh.

AlphaGenome dự đoán rằng thay đổi này tạo ra một vị trí splice không chính xác và tạo ra phần kéo dài bất thường của protein kết quả. DeepMind cho biết các sàng lọc thực nghiệm đã xác nhận cơ chế được dự đoán và nhận diện các biến thể lân cận có tác động tương tự. Thí nghiệm, thay vì điểm mô hình ban đầu, đã cung cấp bằng chứng xác nhận.

Trong một phân tích riêng biệt, nhà nghiên cứu Gareth Hawkes của Đại học Exeter đã áp dụng Atlas lên dữ liệu toàn bộ bộ gen của hơn 54.000 người tham gia UK Biobank. DeepMind báo cáo rằng việc nhóm các biến thể hiếm không mã hóa theo tác động phân tử được dự đoán đã tạo ra số lượng liên hệ di truyền có thể phát hiện nhiều hơn 22% so với phương pháp đối chiếu.

Một phân tích được cho là đã giảm một vùng chứa 526 ứng viên ban đầu xuống còn bốn biến thể được ưu tiên. Công trình đã nhận diện các ứng viên điều hòa liên quan đến nồng độ lưu hành của các protein bao gồm PLA2G7 và EGLN1.

Đối với một phân tích chỉ số khối cơ thể, Hawkes giới hạn tìm kiếm ở 1% biến thể không mã hóa mà Atlas xếp hạng là có tác động lớn nhất. Quy trình đó xác định 19 vùng bộ gen để nghiên cứu thêm. Các liên hệ này xác lập các mục tiêu nghiên cứu; chúng không chứng minh rằng các biến thể được làm nổi bật riêng lẻ gây ra thay đổi về khối lượng cơ thể.

Các nhà nghiên cứu tại Stowers Institute for Medical Research cũng sử dụng tài nguyên motif để nghiên cứu các trình tự điều hòa tham gia vào khả năng tiếp cận chromatin và kích hoạt gene. Điều này minh họa một ứng dụng thứ hai của Atlas ngoài xếp hạng biến thể bệnh: truy vấn các tác động được dự đoán ở quy mô lớn để khảo sát các quy tắc cơ bản kiểm soát hoạt động gene.

5. Điều Kiện Truy Cập và Các Giới Hạn Khoa Học

AlphaGenome Atlas có sẵn qua một trang web miễn phí cho nghiên cứu học thuật và nghiên cứu phi thương mại khác. DeepMind cũng liệt kê quyền truy cập qua AlphaGenome API và một kỹ năng AlphaGenome Atlas dành cho Google Antigravity. Quyền truy cập Atlas thương mại qua Google Cloud được mô tả khi ra mắt là sẽ sớm có, trong khi mô hình AlphaGenome nền tảng đã có lộ trình triển khai Google Cloud trả phí, theo danh sách cho phép.

Điều khoản của API công khai giới hạn đầu ra AlphaGenome và thông tin Atlas cho mục đích phi thương mại, trừ khi được cho phép rõ ràng. Google cũng cho biết các đầu ra này không được dùng để huấn luyện các mô hình học máy khác.

Quan trọng nhất, AlphaGenome không được thiết kế cũng không được phê duyệt để sử dụng trong chẩn đoán lâm sàng. Các dự đoán không thể thay thế bằng chứng từ bệnh nhân, xác thực trong phòng thí nghiệm, diễn giải lâm sàng hoặc tư vấn y tế.

Đầu vào một triệu base của mô hình lớn so với các mô hình trình tự trước đây, nhưng các yếu tố điều hòa có thể ảnh hưởng đến gene trên những khoảng cách xa. Bài báo Nature của DeepMind nhận thấy việc nắm bắt chính xác các ảnh hưởng cách xa hơn 100.000 cặp base vẫn là thách thức. Các tác động đặc hiệu theo mô và điều kiện cũng vẫn khó tái tạo một cách nhất quán.

AlphaGenome không được thiết kế hoặc benchmark để dự đoán hệ quả của toàn bộ bộ gen của một người. Các đặc điểm và bệnh phức tạp có thể phụ thuộc vào nhiều biến thể, sự phát triển, chức năng gene và các yếu tố môi trường nằm ngoài mô hình trực tiếp từ trình tự đến chức năng phân tử.

Do đó, Atlas thay đổi chi phí và tốc độ lựa chọn giả thuyết, thay vì tiêu chuẩn bằng chứng. Nó có thể xếp hạng hàng tỷ phép thay thế ứng viên và lập tức cho thấy các cơ chế được dự đoán, nhưng các phát hiện có hệ quả vẫn cần bằng chứng quần thể, kiểm tra tính toán độc lập và xác nhận thực nghiệm.

Câu hỏi thường gặp

AlphaGenome Atlas chứa những gì?

Nó chứa các dự đoán tác động phân tử đã được tính trước và điểm AVI cho khoảng 9 tỷ phép thay thế một nucleotide có thể có trong bộ gen tham chiếu của người.

Vì sao có 9 tỷ thay đổi có thể có?

Bộ gen có khoảng 3 tỷ vị trí, và ký tự tham chiếu tại mỗi vị trí có thể được thay bằng ba ký tự DNA thay thế.

Atlas có bao phủ mọi loại đột biến di truyền không?

Không. Danh mục 9 tỷ biến thể của nó bao phủ các phép thay thế một ký tự, không phải mọi đột biến chèn, mất đoạn, biến thể cấu trúc hoặc tổ hợp thay đổi được tìm thấy trong bộ gen cá nhân.

Bác sĩ có thể dùng điểm AVI để chẩn đoán bệnh nhân không?

Không. Google nêu rằng các dự đoán AlphaGenome dành cho mô hình hóa lý thuyết và nghiên cứu, và không được dùng để ra quyết định lâm sàng.

Các nhà nghiên cứu có thể truy cập Atlas như thế nào?

Các nhà nghiên cứu phi thương mại có thể dùng cổng trên trình duyệt hoặc AlphaGenome API. DeepMind cũng cung cấp một kỹ năng Atlas cho Google Antigravity và dự kiến cung cấp thương mại qua Google Cloud.

Tham khảo nguồn

• Thông báo gốc của Google DeepMind trên X
• Google DeepMind: AlphaGenome Atlas—Bản đồ dự đoán về mọi thay đổi ký tự DNA có thể có trong bộ gen người
• Google: Giới thiệu AlphaGenome Atlas
• Google DeepMind: AlphaGenome
• Nature: Nâng cao dự đoán tác động biến thể điều hòa bằng AlphaGenome
• Kho mã AlphaGenome API của Google DeepMind và điều khoản sử dụng
• IEEE Spectrum: Google DeepMind lập bản đồ 9 tỷ biến thể DNA có thể có