Девять миллиардов — число, которое невольно хочется приложить к чему-то медицинскому: девять миллиардов пациентов, девять миллиардов диагнозов, девять миллиардов подтверждённых мутаций. Всё мимо. 8 сентября 2026 года Google DeepMind представила AlphaGenome Atlas — набор заранее рассчитанных прогнозов для всех возможных одиночных замен одной «буквы» в референсном человеческом геноме. Таких замен как раз порядка девяти миллиардов, и для каждой модель рассчитала предполагаемое влияние на молекулярные процессы в клетке.
Сравнение, которое помогает не запутаться, — архив прогнозов погоды. Когда нужно узнать, что будет в конкретном городе в конкретный день, никто не запускает заново расчёт на суперкомпьютере: результат уже лежит готовой строкой в таблице. Быстро, дёшево, удобно. Но прогноз погоды на послезавтра всё равно не отменяет необходимости выглянуть в окно, и вот эта разница между «посчитано» и «проверено» в истории с Atlas важнее любых цифр.
Что именно лежит в Atlas
Объём опубликованного набора данных — около петабайта. Это не петабайт медицинских карт и не петабайт секвенированных геномов реальных людей, а именно прогнозы: для каждого из девяти миллиардов вариантов модель расписала предполагаемое влияние на активность генов, на сплайсинг (процесс, при котором из первичной копии гена вырезаются лишние фрагменты и сшивается итоговая инструкция для белка), на доступность хроматина и на другие регуляторные процессы. Проще говоря, это огромный справочник ответов на вопрос «а что будет, если вот здесь поменять одну букву».
Чтобы по этому массиву можно было хоть как-то ориентироваться, есть сводный показатель — AlphaGenome Variant Impact, сокращённо AVI. Он собирает несколько разных прогнозов в одну оценку и позволяет ранжировать варианты: вот эти выглядят потенциально заметнее, с них и начинайте. Высокий AVI означает ровно одно — модель считает вариант ощутимым для тех биологических процессов, которые она умеет считать. Слов «патогенный» и «доброкачественный» в этом показателе нет. По сути это шкала любопытства, а не медицинское заключение.
Названия легко перепутать. AlphaGenome, AlphaGenome Atlas и AlphaMissense — связанные, но разные вещи: Atlas построен вокруг прогнозов AlphaGenome для отдельных замен, AlphaMissense — отдельный инструмент для другой задачи. Если в разговоре кто-то скажет «эта нейросеть определяет, опасна ли мутация», скорее всего, он смешал несколько разных сущностей в одну.
ДНК — это не только гены
Примерно 2% человеческого генома напрямую кодирует белки. Остальные участки не кодируют белки напрямую, но значительная их часть участвует в регуляции — решает, где, когда и с какой силой включится тот или иной ген. Сравнение с панелью управления тут работает, но с честной оговоркой: это упрощение, и не каждый участок из оставшихся 98% одинаково функционален и одинаково изучен.
Сложность в том, что искать значимые варианты в регуляторных областях гораздо труднее, чем в белок-кодирующих. Там нет готового «кода», который можно прочитать и сразу увидеть, что аминокислота поменялась на другую. Есть последовательность, есть контекст, есть ткань, в которой эта последовательность работает, — и всё это нужно как-то сопоставлять. Именно поэтому атлас прогнозов для некодирующих участков выглядит интереснее, чем ещё одна работа только по белок-кодирующим областям: это попытка дать исследователям набор подсказок там, где раньше приходилось двигаться почти наугад.
Прогноз, который проверили руками
Самый показательный пример в материалах DeepMind — ген DNM1. Исследовательница Лора Ковилл из Broad Institute занималась поиском причин редких заболеваний, и прогнозы AlphaGenome обратили её внимание на вариант, связанный с нарушением сплайсинга. Дальше началась обычная лабораторная работа: вариант выделили в приоритет, проверили в минигенном репортёрном эксперименте на пяти клеточных линиях и только после этого получили дополнительные доказательства в его пользу.
Для участка около экзона 10a в том же гене модель показала высокий результат по предсказанию нарушения сплайсинга: AUPRC 0,943. Цифра выглядит внушительно, и именно здесь легко сделать лишний шаг. Это результат одного эксперимента, одного гена и конкретных условий — не универсальная точность для всех болезней, всех тканей и всех типов вариантов. По-моему, честнее читать её так: в этой точке модель действительно попала, а насколько хорошо она попадёт в следующей, никто заранее не обещает.
Второй пример — популяционный. Гарет Хокс применял Atlas к данным более чем 54 000 участников UK Biobank: варианты группировали по предполагаемым молекулярным эффектам и сообщили о дополнительных ассоциациях с признаками, включая индекс массы тела. Звучит как «нейросеть нашла ген ожирения», но нет. Статистическая связь между вариантом и признаком не доказывает, что именно этот вариант признак вызывает — она лишь указывает, куда смотреть дальше. Третий, совсем короткий пример — работа Юлии Цайтлингер из Stowers Institute с короткими регуляторными последовательностями: это фундаментальная биология, попытка понять язык регуляции, а не приближение к готовому диагнозу. Если свести всё это к одной формуле, Atlas работает как сортировщик очереди кандидатов, а не как врач.
Где заканчивается компетенция модели
Ограничения у инструмента вполне конкретные, и они описаны в опубликованных материалах. У модели есть ограничения при работе с персональными геномами, сочетаниями вариантов, крупными структурными изменениями ДНК, далёкими регуляторными взаимодействиями и состояниями, которые зависят от конкретной ткани или конкретной болезни. Это не придирки скептика, а сценарии, которые в исследованиях действительно приходится учитывать.
Есть и более фундаментальная вещь. Болезнь — это не только последовательность ДНК. На неё влияют другие гены, возраст, среда, развитие организма, совокупность вариантов, доставшихся человеку. Даже идеально точный прогноз молекулярного эффекта одной замены описывает только одно звено длинной цепочки, а не всю цепочку целиком.
И главное: Google DeepMind прямо указывает, что и AlphaGenome, и Atlas предназначены для исследовательского использования, не валидированы и не одобрены для клинического применения. Никакого «загрузите свой геном и узнайте диагноз» здесь не предполагается по замыслу, а не по недосмотру. Результат Atlas может стать частью научной доказательной цепочки, но он не заменяет ни генетическое консультирование, ни клиническую лабораторию, ни подтверждающие исследования.
Что это значит для обычного человека
Пока — ничего напрямую. С баллом AVI не идут в аптеку, не выбирают лечение и не отменяют визит к врачу: у этого числа просто другая область применения. Пользу от него получают те, кто стоит перед выбором, какой из вариантов проверять первым. Смысл в том, чтобы сужать круг кандидатов для дальнейшей проверки — по логике создателей, именно здесь и происходит экономия: может сократиться объём первичного перебора.
На мой взгляд, куда важнее другое. Мы привыкли к идее «геном прочитан», но прочитать последовательность и понимать её последствия — две разные задачи, и вторая заметно тяжелее. Atlas — шаг именно во второй задаче: не «мы знаем причины всех болезней», а «мы научились массово строить правдоподобные гипотезы и теперь можем проверять их быстрее». Разница между этими формулировками огромна, и именно она отделяет нормальный научный разговор от заголовков в духе «ИИ победил наследственные заболевания».
Если хочется разбираться в таких сюжетах без хайпа и с нормальными объяснениями — что стоит за цифрой в пресс-релизе, где заканчивается демонстрация и начинается рабочий инструмент, — у GPT-Лаборатории есть Telegram-канал: https://t.me/jopotology. Там примерно тот же подход, только про более широкий круг тем.
Девять миллиардов прогнозов — это не карта болезней. Это карта гипотез, разложенная по полочкам и ждущая, пока её начнут проверять руками. И вся история с AlphaGenome Atlas держится на одной простой границе: между «модель предполагает» и «лаборатория подтвердила» лежит расстояние, которое нельзя сократить никаким размером датасета.
