--- service: "Publicasta" schema_version: "1.0" article_id: 560 title: "AlphaGenome Atlas превращает девять миллиардов возможных изменений ДНК в карту для исследований" language: "ru" default_language: "en" canonical_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ru" api_url: "https://publicasta.com/api/public/v1/channels/good_tech_news/articles/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru" channel_url: "https://publicasta.com/api/public/v1/channels/good_tech_news" channel_articles: "https://publicasta.com/api/public/v1/channels/good_tech_news/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-09-08T17:41:59+00:00" updated_at: "2026-09-08T17:41:59+00:00" translations: - language: "ar" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ar" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ar" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ar" - language: "de" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=de" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=de" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=de" - language: "en" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=en" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=en" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=en" - language: "es" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=es" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=es" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=es" - language: "fr" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=fr" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=fr" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=pl" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=pl" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=ru" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=ru" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool?lang=zh" markdown_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.md?lang=zh" json_url: "https://publicasta.com/good_tech_news/alphagenome_atlas_nine_billion_dna_variants_research_tool.json?lang=zh" --- # AlphaGenome Atlas превращает девять миллиардов возможных изменений ДНК в карту для исследований > AlphaGenome Atlas заранее рассчитывает предполагаемые молекулярные эффекты каждой возможной однонуклеотидной замены в геноме человека. Это инструмент для выбора следующих экспериментов, а не диагноз и не готовое клиническое толкование варианта. Генетический вариант может отличаться от референсной последовательности всего одной буквой ДНК — и всё равно оставаться крайне сложным для интерпретации. Дело не в нехватке возможных вариантов. Проблема обратная: в геноме человека так много потенциальных изменений и регуляторных контекстов, что исследователи не могут проверять их по одному в лаборатории. К тому же большинство вариантов находится не в участках, кодирующих белки. Они расположены в менее изученных областях генома, которые помогают определять, когда, где и насколько активно включаются гены. ![Светящаяся двойная спираль ДНК над абстрактным атласом геномных данных и регуляторных сигналов.](https://publicasta.com/storage/projects/16/pages/560/2026/09/696fd60b-90ae-4e40-a02c-2e3be16a5fd3.webp) 8 сентября 2026 года Google DeepMind представила AlphaGenome Atlas — каталог прогнозов примерно для девяти миллиардов возможных однонуклеотидных вариантов по всему геному человека. Речь идёт о каждой возможной замене одной буквы в каждой позиции референсного генома: для каждой ДНК-основы существуют три альтернативные основы, то есть три возможных изменения. Atlas заранее рассчитывает, что, согласно модели AlphaGenome, эти замены могут сделать с такими молекулярными процессами, как экспрессия генов, сплайсинг РНК, активность хроматина и контакты между участками ДНК. Это уточнение принципиально важно. Atlas — не список из девяти миллиардов подтверждённых мутаций, вызывающих заболевания. Это не база персональных диагнозов и не доказательство того, что предсказанное молекулярное изменение приведёт к болезни. Его непосредственный вклад скромнее, но практичнее: биологи получают способ расставить приоритеты между гипотезами до того, как потратят время и деньги на эксперименты. ## Узкое место — интерпретация, а не секвенирование Современное секвенирование выявляет гораздо больше генетических различий, чем клинические и исследовательские команды способны уверенно объяснить. В отчёте о последовательности могут соседствовать хорошо изученные варианты, изменения с вескими, но неполными доказательствами и варианты неопределённого клинического значения. Последняя категория не является диагнозом. Она означает лишь, что имеющихся данных пока недостаточно для надёжной классификации. Особенно трудно интерпретировать варианты за пределами участков, кодирующих белки. На кодирующие экзоны приходится лишь около 2% генома человека, тогда как регуляторная ДНК помогает управлять активностью генов в разных типах клеток и тканях. Изменение регуляторного элемента может повлиять на то, будет ли ген транскрибироваться, сколько РНК произведёт клетка или каким образом будет вырезан и соединён транскрипт РНК при сплайсинге. Связанные с этим данные могут быть распределены на большом участке ДНК и иметь значение только в конкретной биологической ситуации. Поэтому простого поиска по ближайшему гену недостаточно. Вариант способен влиять на удалённый ген, по-разному проявляться в разных тканях или менять отдельный молекулярный этап, не вызывая очевидного клинического эффекта. Исследователям нужна не только координата на хромосоме, но и набор проверяемых прогнозов о том, что именно может изменить последовательность. AlphaGenome создавалась именно для таких прогнозов. Модель обрабатывает последовательности длиной до одного миллиона пар оснований и выдаёт множество типов результатов с высоким разрешением. Она сравнивает референсную последовательность с последовательностью, содержащей вариант, а затем оценивает изменения молекулярных свойств. Среди выходных данных — сигналы экспрессии генов, связывание транскрипционных факторов, доступность хроматина, трёхмерные контакты ДНК и закономерности сплайсинга РНК. Atlas применяет этот подход в масштабе, который отдельная исследовательская группа обычно не смогла бы воспроизвести для каждого возможного однонуклеотидного изменения. Google DeepMind сообщает, что объём заранее рассчитанного набора данных составляет около одного петабайта. Вместо того чтобы заставлять каждого исследователя запускать модель для каждого кандидата, сервис предоставляет прогнозы через веб-интерфейс и API для академических исследований. ## Что именно добавляет Atlas Исходная модель AlphaGenome уже позволяла оценивать выбранные варианты. Новый Atlas меняет рабочий процесс. Часть вычислений переносится с запуска по запросу на заранее подготовленный справочный ресурс: учёный может начать с изучения региона или кандидата, не выстраивая сначала крупный вычислительный конвейер. Это полезно в нескольких ситуациях. Группа, занимающаяся редкими заболеваниями, может получить список вариантов у пациента или его семьи и решить, какие некодирующие изменения заслуживают функциональной проверки. Исследователи популяционной генетики могут изучать, способны ли редкие варианты рядом с одним геном вызывать сходные регуляторные эффекты. Лаборатории, изучающей регуляцию генов, может понадобиться выбрать небольшой набор замен для репортёрных тестов, CRISPR-воздействий или измерений РНК. Во всех этих случаях модель помогает сузить пространство поиска. В Atlas также появился показатель влияния варианта AlphaGenome — AlphaGenome Variant Impact score, или AVI score. DeepMind описывает его как комбинированную оценку, объединяющую прогнозы AlphaGenome о регуляторных эффектах и прогнозы AlphaMissense для вариантов, изменяющих белок. Один показатель не заменяет исходные доказательства, но помогает отсортировать длинный список кандидатов и сначала рассмотреть варианты, которые выглядят наиболее значимыми сразу по нескольким доступным сигналам. В этом и состоит практическая разница между прогнозом и доказательством. Оценка полезна, если она улучшает порядок, в котором учёные проверяют вопросы. Она вводит в заблуждение, когда превращается в окончательный вердикт. Atlas разумнее воспринимать как слой приоритизации поверх биологических данных, а не как автоматический авторитет, определяющий значение варианта для конкретного человека. ## Ранние примеры показывают предполагаемый сценарий использования Google DeepMind приводит два первых применения. В одном из них исследователи Broad Institute использовали AVI score, чтобы расставить приоритеты между вариантами в неразгаданном случае редкого заболевания. Система выделила вариант в гене DNM1 и предсказала, что он может создать аномальный сайт сплайсинга. Этот прогноз стал дополнительным свидетельством в случае, который затем удалось разрешить в рамках более широкого геномного расследования. Здесь особенно важно слово «дополнительным». Результат не был получен одной моделью. Диагностика редкого заболевания обычно зависит от фенотипа пациента, родственных связей, частоты варианта в популяции, связи гена с заболеванием, предыдущих наблюдений и, если они доступны, функциональных данных. Прогноз об изменении сплайсинга может сделать кандидата более привлекательным для лабораторной работы или экспертной оценки, но не устраняет необходимость в остальных линиях доказательств. В другом примере исследователь использовал прогнозы Atlas вместе с данными более чем 54 000 участников UK Biobank. Сообщается, что группировка вариантов по предсказанным молекулярным эффектам выявила на 22% больше некодирующих генетических ассоциаций, чем подход, который не использовал прогнозируемое влияние таким же образом. Анализ также обнаружил 19 геномных регионов, связанных с индексом массы тела, среди вариантов с наиболее высоким предполагаемым влиянием. Этот результат показывает, как модель может помогать со статистической организацией данных, не выдавая нового медицинского заключения. Исследователи часто работают с шумным набором редких вариантов, каждый из которых встречается слишком редко, чтобы анализировать его отдельно. Если прогнозы позволяют объединить варианты, которые, вероятно, нарушают один и тот же регуляторный механизм, такие группы становится проще изучать. Однако ассоциация по-прежнему требует независимого анализа и биологической проверки. Примеры также показывают, для чего Atlas не предназначен. Он не объясняет полный фенотип человека по одному геному. Он не рассчитывает будущее здоровье конкретного человека. Он не определяет, как вариант ведёт себя в каждой ткани, в любом возрасте и при любых условиях окружающей среды. Система формулирует молекулярные гипотезы, которые можно объединять с другими доказательствами. ## Почему некодирующую ДНК так трудно анализировать Выражение «некодирующая ДНК» может создать неверное впечатление. Некодирующая не значит бесполезная, но также не означает, что для каждой основы уже известна регуляторная роль. Это участки последовательности, которые напрямую не кодируют белок. Многие из них помогают управлять активностью генов, однако регуляторная функция часто зависит от условий. Последовательность может иметь значение в клетке печени, но не в нейроне; во время развития, но не во взрослом организме; или только после того, как определённый сигнал активирует биологический путь. Поэтому для моделей вроде AlphaGenome обучающие данные не менее важны, чем архитектура. DeepMind сообщает, что AlphaGenome обучали на измерениях из открытых ресурсов, включая ENCODE, GTEx, проект 4D Nucleome и FANTOM5. Эти проекты измеряют разные стороны регуляции генов в выбранных типах клеток и тканях человека и мыши. Они дают ценный охват, но не являются полной записью каждого клеточного состояния у каждого человека. Модель учится на закономерностях того, что было измерено. Если ткань, этап развития, группа происхождения или клеточное состояние представлены в обучающих данных слабо, для такой ситуации у модели может быть меньше надёжной информации. Результат всё равно может оказаться полезной гипотезой, но неопределённость не следует прятать за числом, которое выглядит точным. Есть и вторая проблема — биологическое расстояние. Регуляция генов не ограничивается коротким соседством с геном. Энхансеры и другие регуляторные элементы могут действовать на больших расстояниях, а ДНК складывается в трёхмерную структуру, сближая удалённые участки. AlphaGenome может использовать контекст длиной до одного миллиона пар оснований, что заметно больше, чем у многих моделей последовательностей, но это всё равно конечное окно. В технической документации Google горизонт контекста в один мегабаз указан как ограничение: взаимодействия за пределами этого диапазона нельзя учесть в одном запросе на прогноз. Наконец, молекулярный результат не равен исходу на уровне организма. Модель может предсказать, что вариант меняет сигнал сплайсинга РНК или снижает сигнал экспрессии гена. Это само по себе не доказывает, что изменение вызывает заболевание, определяет его тяжесть или реагирует на конкретное лечение. Путь от ДНК к здоровью включает клеточную биологию, развитие, физиологию, окружающую среду и случайные факторы. ## Полезной карте всё равно нужна проверка реальностью После прогноза Atlas наиболее ценным следующим шагом обычно становится не ещё один прогноз, а эксперимент или обзор доказательств, спроектированный под конкретное утверждение. Если модель предсказывает изменение сплайсинга, исследователи могут проверить РНК из релевантной ткани или использовать валидированный клеточный тест. Если прогнозируется изменение активности энхансера, можно сравнить референсную и альтернативную последовательности в репортёрной системе, а затем проверить результат в более реалистичной клеточной модели. Если вариант связан с признаком, нужны статистическое воспроизведение результата и правдоподобный биологический механизм. Дизайн эксперимента важен ещё и потому, что вычислительные прогнозы могут быть связаны с данными, использованными для обучения или оценки модели. Результат, убедительно выглядящий in silico, может не подтвердиться при проверке в другом типе клеток или с помощью другого теста. И наоборот, модель может помочь лаборатории выбрать эксперименты, которые иначе были бы слишком многочисленными или дорогими. Её сильнейшая роль часто состоит в том, чтобы сделать проверку более избирательной. В клинической геномике существуют собственные правила объединения доказательств. Руководства ClinGen по классификации вариантов используют рамку ACMG/AMP, учитывающую популяционные данные, вычислительные свидетельства, функциональные исследования, сегрегацию, фенотип и другую информацию. Вычислительный прогноз — лишь один элемент этого процесса, а не замена экспертной оценке. ClinGen прямо предупреждает, что его рекомендации не предназначены для непосредственной диагностики или принятия медицинских решений без участия специалиста по генетике. Условия использования AlphaGenome сформулированы столь же ясно. Google DeepMind сообщает, что AlphaGenome Atlas не прошёл клиническую валидацию и не одобрен для клинического применения. Модель предназначена для исследований, а её прогнозы нельзя использовать как медицинский совет, диагноз или основание для изменения лечения. Это не второстепенная оговорка. Она отделяет инструмент для создания доказательств от регулируемого клинического теста. ## Что исследователи могут делать с Atlas уже сейчас Для академических пользователей Atlas одновременно снижает несколько барьеров. Учёный может запросить данные по кандидату, не запуская всю модель локально. Команда может изучать некодирующие варианты, которые иначе было бы трудно ранжировать. Студент может увидеть, как одна замена буквы предположительно влияет сразу на несколько молекулярных процессов. Вычислительная группа может использовать API для небольших анализов и строить собственные сравнения на основе возвращаемых оценок. Ресурс способен сделать отрицательные результаты более информативными. Если вариант получает слабый прогнозируемый эффект сразу по нескольким релевантным молекулярным выходам, он может опуститься в списке лабораторных приоритетов. Это не доказывает его безвредность, но помогает распределить ограниченные экспериментальные ресурсы. Обратное тоже верно: сильный прогнозируемый эффект может указать кандидата для углублённой работы, не объявляя его патогенным. Есть и практические ограничения. Публичный API предназначен для некоммерческих исследований, а документация проекта указывает, что он лучше подходит для небольших и средних анализов, чем для запросов более чем на один миллион прогнозов. Исследователям также нужно фиксировать сборку генома, референсную последовательность, выбранный транскрипт и биологический контекст анализа. Координата без этих метаданных не является воспроизводимым результатом. Предварительные вычисления создают ещё одну обязанность — контроль версий. Геномный атлас не является неизменным ответом на все времена. Модели обновляются, референсные сборки меняются, аннотации улучшаются, а новые эксперименты могут опровергнуть прежнюю интерпретацию. В серьёзном анализе следует сохранять версию модели или Atlas, запрошенный вариант, референсный геном, поля результата и дату доступа. Без этой записи последующим пользователям может быть непонятно, почему результат изменился. ## Почему это хорошие новости для технологий — с важными оговорками Хорошая новость не в том, что искусственный интеллект решил задачу расшифровки генома. Этого не произошло. Новость в том, что конкретное узкое место исследований атаковано конкретным способом. Вместо почти необозримого пространства возможных замен одной буквы AlphaGenome Atlas предлагает широкий поисковый первый проход по этому пространству. Он может включить некодирующие варианты в тот же практический рабочий процесс, где уже давно рассматриваются более известные кодирующие изменения, и помочь связать несколько молекулярных сигналов вокруг одного кандидата. Это важно, потому что открытия часто зависят от решения, что проверять дальше. У лаборатории нет бесконечных запасов времени, образцов и финансирования. Более точная приоритизация может сократить путь от геномного наблюдения к хорошо спроектированному эксперименту. В исследованиях редких заболеваний она способна помочь заметить правдоподобный регуляторный или сплайсинговый механизм. В популяционных исследованиях — объединить варианты в биологически осмысленные группы. В фундаментальной науке — выявить закономерности и подсказать, какие участки генома стоит измерить внимательнее. Ограничения не менее важны. Atlas прогнозирует молекулярные эффекты, а не полный клинический исход. Он описывает референсный геном, а не все возможные контексты индивидуальных геномов. Он не видит биологические процессы, которые отсутствуют в его данных или представлены там слабо. Конечное окно последовательности оставляет нерешёнными некоторые дальние взаимодействия. Результаты требуют валидации, аккуратной оценки неопределённости и объединения с устоявшимися генетическими доказательствами. Такой подход задаёт здоровый стандарт для оценки вычислительной биологии. Исследовательский инструмент заслуживает доверия, когда он проясняет следующий эксперимент, фиксирует границы известного и оставляет место для того, чего система не знает. В этих рамках AlphaGenome Atlas выглядит полезным — не как диагностический оракул, а как карта для навигации по задаче, которая стала слишком масштабной для одной лишь ручной проверки. ### Источники и материалы для дальнейшего чтения - [Google DeepMind: AlphaGenome Atlas](https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/) — объявление, масштаб Atlas, показатель AVI и первые исследовательские примеры. - [Google: обзор AlphaGenome Atlas](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/alphagenome-atlas/) — объём набора данных, модель доступа и примеры с редким заболеванием и данными UK Biobank. - [Nature: новый геномный атлас DeepMind](https://www.nature.com/news/deepminds-new-genome-atlas-charts-effects-of-all-9-billion-human-gene-mutations) — независимый научно-популярный контекст. - [Google DeepMind: модель AlphaGenome](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/) — входные данные модели, прогнозируемые молекулярные свойства, бенчмарки и предупреждение об исследовательском назначении. - [Документация и репозиторий AlphaGenome API](https://github.com/google-deepmind/alphagenome) — доступ, поддерживаемые результаты и практические ограничения использования. - [Документация Google Cloud по AlphaGenome](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/open-models/alphagenome) — заявленные ограничения, включая исследовательское назначение и горизонт контекста в один мегабаз. - [Рекомендации ClinGen по классификации вариантов](https://www.clinicalgenome.org/tools/clingen-variant-classification-guidance/) — как вычислительные, функциональные, клинические и популяционные данные объединяются при экспертной интерпретации.