企业档案
会员类型:至尊版
已获得阿仪网信誉 等级评定
(0 -40)基础信誉积累,可浏览访问
(41-90)良好信誉积累,可接洽商谈
(91+ )优质信誉积累,可持续信赖
阿仪网至尊版会员:7年
最后认证时间:
注册号: 【已认证】
法人代表: 【已认证】
参观次数:7001726
公司新闻
【First-in-class药设系列】整合多模态长序列与高分辨率的基因组功能预测模型AlphaGenome
点击次数:261发布时间:2026/4/27 8:29:41
基因组序列变异的功能解读是现代生物学研究的核心挑战之一,尤其是占人类遗传变异 98% 以上的非编码变异,其可通过调控染色质状态、基因表达、RNA 剪接等多种分子机制影响生物表型。现有序列功能预测模型普遍存在输入序列长度与预测分辨率的权衡,且多专注于单一功能模态,难以全面捕捉变异的复杂分子效应。

Google DeepMind 团队开发的 AlphaGenome 模型,通过创新的模型架构设计,实现了长序列语境、多模态预测与高分辨率输出的统一。该模型以 1 兆碱基(1Mb)DNA 序列为输入,可同时预测涵盖基因表达、染色质可及性、剪接模式、染色质接触图等 11 类模态的基因组轨道,在人类和小鼠基因组上分别实现 5930 个和 1128 个轨道的预测,为系统解析遗传变异的调控效应提供了新工具。

一、模型架构与训练流程
AlphaGenome 采用U-Net启发的编码器 - 解码器架构,结合 Transformer 模块实现长程相互作用建模。编码器通过卷积块与下采样操作,将 1bp 分辨率的输入序列逐步压缩至 128bp 分辨率,同时提升特征通道数;Transformer 模块对 128bp 分辨率的序列特征进行处理,捕捉基因组上的长距离调控关联;解码器则通过上采样操作与跳跃连接,将特征映射恢复至 1bp 分辨率,确保关键功能位点的精准预测。此外,模型还设计了成对相互作用模块,用于预测 2048bp 分辨率的染色质接触图。
训练过程分为预训练与蒸馏两个阶段:预训练阶段采用 4 折交叉验证策略,分别训练折叠特异性模型(用于性能评估)和全数据模型(作为教师模型);蒸馏阶段通过随机突变、序列移位等数据增强手段,训练单一学生模型以复现教师模型集合(使用64个教师模型)的预测结果,最终获得兼顾预测精度与推理效率的模型版本。性能评估显示,AlphaGenome 在 24 项基因组轨道预测任务中22项超越现有最优模型,在 26 项变异效应预测任务中 24 项达到或超过当前水平,其中基因表达 log 折叠变化预测相对提升 17.4%,染色质接触图预测 Pearson 相关系数提升 6.3%,展现出显著的综合优势。

二、基因组轨道预测性能
基因组轨道(Genome Track)的精准预测是变异效应分析的前提,AlphaGenome 在多种模态的轨道预测中均表现出高保真度。以 HepG2 细胞系的 LDLR 基因区域为例,模型可准确预测 RNA-seq 覆盖度、剪接位点、剪接连接及染色质可及性等多维度轨道特征,碱基级分辨率的预测结果与实验观测高度吻合。
定量分析表明,人类和小鼠基因组中各模态轨道预测值与实测值的 Pearson 相关系数普遍较高,其中 ATAC-seq、DNase-seq 等染色质可及性指标相关系数超过 0.8,RNA-seq、CAGE-seq 等基因表达相关轨道相关系数在 0.7 以上。在组织特异性表达预测中,模型能够捕捉不同组织间的表达差异,为后续分析变异的组织特异性效应奠定基础。此外,模型对剪接相关轨道(剪接位点、剪接位点使用率、剪接连接)的预测也与实验数据保持良好一致性,其中剪接连接计数的预测 Pearson 相关系数在多种组织中均超过 0.75。

三、剪接相关变异效应预测
剪接异常是遗传变异导致疾病的重要机制,AlphaGenome 首次实现了剪接位点、剪接位点使用率与剪接连接的一体化预测,为全面解析变异的剪接干扰效应提供了支持。在 GTEx 数据库的实例验证中,模型成功捕捉到 4bp 缺失变异导致的外显子跳跃事件,准确预测了该变异引起的剪接位点强度降低、剪接连接消失及 RNA-seq 覆盖度下降;对于单碱基变异引发的新型剪接连接形成,模型也能精准还原其分子表型。

通过原位突变分析(in silico mutagenesis, ISM),模型可定位影响剪接的关键序列基序(如供体位点 GT 基序、受体位点 AG 基序等),为解析剪接调控的分子机制提供线索。在剪接相关变异效应预测的多项基准测试中,AlphaGenome 表现优异:在剪接 QTL 分类任务中,对近剪接位点(≤200bp)和远剪接位点(≤10kb)变异的分类 auPRC 均高于现有模型;在 ClinVar 致病性变异鉴别中,对深层内含子、同义突变等传统方法难以识别的致病变异,auPRC 达到 0.66,优于 Pangolin 等工具;仅剪接连接预测模块单独使用时,在多数基准测试中即可超越传统剪接预测工具,凸显了一体化预测框架的优势。

四、基因表达相关变异效应预测
基因表达的异常调控与复杂疾病密切相关,AlphaGenome 在表达数量性状位点(eQTL)效应预测、增强子 - 基因链接识别及多聚腺苷酸化位点选择预测等任务中均展现出高性能。在 eQTL 预测中,模型对效应大小的预测 Spearman 相关系数达到 0.49,对效应方向的预测 auROC 为 0.80,在插入缺失型 eQTL 的预测中表现优于 Borzoi 等现有模型。在 90% 准确率阈值下,模型可恢复 41% 的 GTEx eQTL,显著高于传统方法的 19%。

在增强子 - 基因链接识别任务中,AlphaGenome 的零样本预测性能与专门训练的 ENCODE-rE2G 模型相当,尤其在远端增强子(距离转录起始位点 > 10kb)的链接预测中表现突出;将模型特征融入监督学习框架后,可进一步提升增强子 - 基因链接的识别精度。此外,模型对多聚腺苷酸化位点选择的预测 Spearman 相关系数达到 0.894,高于 Borzoi 的 0.790,能有效捕捉变异对 3'UTR 加工的影响。

五、染色质状态与转录因子结合预测
染色质可及性与转录因子结合是基因调控的关键环节,AlphaGenome 在相关 QTL 效应预测中表现稳健。在染色质可及性 QTL(caQTL)、DNase 敏感性 QTL(dsQTL)的因果关系预测中,模型的平均精度超越 ChromBPNet 等专项模型;对转录因子结合 QTL(bQTL)效应大小的预测中,SPI1 结合位点相关变异的预测值与实测值 Pearson 相关系数达 0.55,展现出对转录因子结合调控的精准捕捉能力。

在 CAGI5 大规模平行报告基因测定(MPRA)挑战中,AlphaGenome 的表现进一步验证了其可靠性:仅使用细胞类型匹配的 DNase 预测特征时,零样本预测 Pearson 相关系数达 0.57;整合多模态特征(DNase、ChIP-seq、RNA-seq)的 LASSO 回归模型性能最优,Pearson 相关系数达到 0.65,超过 Enformer、Borzoi 等现有模型,证明其从序列直接预测调控活性的强大能力。
六、多模态变异解读应用
AlphaGenome 的核心优势在于整合多维度数据解析变异的综合效应,该模型在癌症驱动变异与复杂性状关联变异的解读中均展现出实用价值。以 T 细胞急性淋巴细胞白血病(T-ALL)相关的 TAL1 基因为例,模型准确预测了致癌突变引起的激活型组蛋白修饰(H3K27ac、H3K4me1/3)升高、抑制型组蛋白修饰(H3K9me3、H3K27me3)降低,以及 TAL1 基因表达上调的分子表型;通过多模态热图分析,可清晰区分致癌突变与随机突变在调控效应上的差异;原位突变分析揭示,突变引入的 MYB 转录因子结合基序是驱动 TAL1 基因异常表达的关键机制。

在复杂性状研究中,AlphaGenome 能有效富集孟德尔疾病和复杂性状的因果变异,通过设置合理的分数阈值,可显著提升因果变异候选集的富集效率,为全基因组关联研究(genome-wide association study, GWAS)信号的功能解析提供有力支持。
七、模型设计参数的性能影响

为明确关键设计参数对模型性能的影响,研究团队开展了系统的消融实验:在预测分辨率方面,碱基级(1bp)分辨率对剪接预测、染色质可及性预测至关重要,随着分辨率降低(2bp 至 128bp),这些任务的性能显著下降,而染色质接触图、组蛋白修饰等粗粒度轨道的预测性能对分辨率变化相对不敏感;在序列长度方面,1Mb 输入长度是平衡长程调控捕捉与计算效率的最优选择,缩短训练或推理时的序列长度会导致远端变异预测性能下降,而 1Mb 训练的模型在短序列推理时仍能保持较好性能;在集成与蒸馏策略方面,蒸馏后的单模型性能接近 4 个独立模型的集成效果,大幅降低了推理成本;在模态整合方面,多模态联合训练优于单一模态训练,尤其对 eQTL 等复杂调控预测的增益显著,表明不同模态的信息互补有助于提升模型对基因组调控规律的学习。
综上,AlphaGenome 通过创新的架构设计与训练策略,实现了长序列语境、多模态预测与高分辨率输出的统一,在基因组轨道预测、变异效应解析等多项任务中展现出顶尖性能。该模型不仅为非编码变异的功能解读提供了全面的工具支持,还在基础生物学研究、临床诊断与药物研发等领域具有广泛的应用前景。随着模型的开源与推广,有望推动基因组学研究进入多模态整合分析的新阶段,为解析复杂疾病的遗传机制提供更强有力的技术支撑。
参考文献
Žiga Avsec, Natasha Latysheva, Jun Cheng, Guido Novati, Kyle R Taylor, Tom Ward, Clare Bycroft et al. Advancing regulatory variant effect prediction with AlphaGenome. Nature. 2026, 649(8099): 1206-1218.
相关阅读
2. SIRT2介导的LCK去乙酰化调控T细胞受体增强抗肿瘤免疫能力
5. 第十届《药学学报》药学前沿学术研讨会暨《药学学报》两刊编委会会议







