AlphaGenome Atlas：AVI 评分与非编码稀有变异集合检验

研究问题：从分子轨道预测走向可检验的遗传关联

AlphaGenome 给出的是变异对多种分子测量的预测影响，而实际分析往往需要两个更直接的对象：一个用于排序候选变异的综合分数，以及一组适合共同检验的稀有变异。Atlas 同时处理这两个问题：先把全基因组预测预计算，再构建 AlphaGenome Variant Impact（AVI），并将 AVI 或单独的模态分数用于候选排序、罕见病解释和集合关联检验。原报告，正文 pp.1–18

这里要始终区分三层证据：模型认为某个变异可能改变分子功能；人群数据支持某个集合与表型关联；实验支持某个具体分子机制。三者可以相互补充，但不能互相替代。

预计算的对象与计算复用

资源覆盖 GRCh38 非 N 位置的约 90 亿个 SNV，以及来自 gnomAD、UKB、All of Us 等资源的 超过 1 亿个已观察到的 indel。后者不是所有可能的插入缺失。预测仍基于 AlphaGenome 的约 1 Mb 序列输入、11 类输出模态；每个变异平均对应约 27,000 个细粒度分数，包括 active-allele 类评分。

实现上将基因组分成不重叠的 128 bp 小块，一个小块最多有 384 个 SNV。参考序列前向计算与部分注释掩码在块内复用，而不是对每个 ALT 重算相同的 REF。相对于严格把变异置于窗口中心，这造成最多约 ±64 bp 的位置偏移；作者做了与常规居中评分的比较。indel 则额外使用移位增强与中间表示拼接，减少池化坐标改变造成的伪差异。Methods，pp.19–23

实际使用时必须保留 GRCh38 参考等位基因定义并规范化 indel。这里的 REF 并不等于主等位基因，不能为了让 ALT 成为 minor allele 而随意交换；非参考等位基因之间的替换也不在这套预计算的直接覆盖范围内。

AVI 如何训练：频率代理标签，而非临床诊断标签

AVI 的输入有 18 项：10 项汇总后的分子模态特征、AlphaMissense、3 项蛋白终止相关 VEP 指示变量、两种保守性特征，以及两项 indel 类型指示变量。多数模态先在相关组织、轨道或基因上取最大绝对效应；剪接类评分进一步合并。这样可以压缩高维预测，但也会丢掉组织、方向和具体靶基因信息。

训练标签来自 gnomAD v4.1 的 FAF95_GRPMAX，即祖源组间最大过滤频率的 95% 下界，而不是简单的总体样本 MAF。作者把 $0.001\leq f<0.999$ 作为代理中性类，把 $f<0.001$ 作为代理高影响类。稀有并不必然有害，因此这是利用群体选择信号进行的弱监督，不是直接学习临床致病概率。

为降低突变类别差异的影响，SNV 在 96 类链折叠三核苷酸替换类型内平衡两类样本；长度不超过 10 bp 的 indel 按长度平衡。使用 10 份重采样数据，训练染色体与验证染色体分离；测试还排除与训练或验证位置重叠的坐标，不能只排除同一个 REF/ALT。Methods，AVI 模型与数据划分，pp.23–26

模型不只是线性加权。用 $x$ 表示主要注释、 $v$ 表示 indel 类型，其 logit 可概括为

\ell(x,v)=w_\phi(h_\phi(x,v))^\top x+b_\phi(h_\phi(x,v))+w_\theta^\top x+b_\theta+o_{\mathrm{indel}}(v).

超网络根据当前输入产生部分权重和偏置，允许模态之间非线性交互；同时保留线性项与 indel 偏移。作者比较不同初始化、训练样本与结构，选择六个模型的 logit 均值 作为集成输出。模型选择使用 SGE / TraitGym 等验证任务，不能把这些验证任务再视为完全独立测试。

原始分数、PHRED 排名与 SHAP 不是同一种量

原始 AVI 是集成模型的 logit；展示用 PHRED 将全基因组排序变换到更直观的尺度，例如 10 对应前 10%、20 对应前 1%。这不是患病概率、外显率或统计 fine-mapping 的后验纳入概率。

作者使用以零输入为基线的 expected-gradients SHAP，解释哪些输入把原始模型输出从基线推高。按 Methods 的定义，归因相加对应 $f(x)-f(0)$ ，不是 PHRED 分数的可加分解。SHAP 中剪接贡献大，意味着模型的剪接特征对排序重要；它不证明剪接是该个体表型的唯一原因。要解释效应方向、组织和靶基因，必须返回对应的原始预测轨道。Methods，AVI interpretation

基准也不是所有类别都领先。例如正文报告 ClinVar 内含子 AUPRC 0.76，而 5′ UTR 为 0.26、略低于 GPN-Star (V) 的 0.27；TraitGym Mendelian 为 0.76，GPN-Star (M) 为 0.77。不同基准的阳性比例、候选空间和频率标签不同，不能把 AUPRC 差值当作跨任务通用提升。

DNM1：排序价值来自组织相关证据，而不只是一个高分

GREGoR 回顾分析中，在每个已解决病例的完整候选背景内，前 50 个候选召回率为 AVI 29.5%、CADD 12.5%。先加频率过滤后，相应数值变为 74.3% 与 61%；这两组数字的候选分母不同。

在对 814 个 trio probands 的分析中，作者重点研究 chr9:128225994:G>A：它在 MANE Select 注释中并不显眼，却位于 DNM1 脑相关外显子 10a 的上游内含子。AVI PHRED 24.7，剪接约占所述归因的 69%。预测的新受体位点使外显子产生 13 个氨基酸的框内延伸；该外显子在血液中缺乏表达，解释了为什么既往血液 RNA 测量可以没有明确异常。

原论文 Figure 3，包含 GREGoR 排序曲线、DNM1 临床案例、脑与血液剪接轨道及 minigene 验证。 — 验证**Figure 3 · DNM1 候选排序、组织特异预测与实验验证**
A 的召回率以每个已解决病例内的候选排序为单位；C 对比脑相关与静脉血预测；D–E 将上游内含子饱和突变实验与模态归因对照。组织中不表达该外显子，是血液 RNA 阴性结果不能排除异常的重要原因。
Cheng et al., AlphaGenome Atlas technical report (2026), Figure 3, PDF p.9. · 原报告未明确标示开放许可；保留作者版权与原始图内容 · 原图未修改 · 原文图 · 放大

作者对上游 265 bp 做饱和突变，并在五种细胞系进行 minigene 检验，发现 12 个产生框内延伸的内含子变异。AVI 剪接归因与合并 AlphaGenome 剪接分数在这一实验的 AUPRC 为 0.943；SpliceAI 与 Pangolin 分别为 0.940、0.939。这里值得强调的是 SpliceAI 预计算库未覆盖该外显子，而不是 SpliceAI 模型本身在该实验完全失效。作者综合临床、预测和实验依据提出 Likely Pathogenic 分类，不能把这归因于 AVI 单独完成了诊断。正文 pp.7–9 与 Figure 3

UKB 蛋白分析：22% 来自注释扩展，不是 AVI 单项收益

实际分析包含最多 54,189 人、2,028 项满足覆盖要求的 Olink 蛋白。对蛋白编码基因及两侧 cis 区域内 MAF <0.1% 的变异，作者构建基于位置、既有功能注释、AVI 或单独 AlphaGenome 模态的集合。Atlas 分数按组织聚合后，用 UKB 染色体 2 上观察变异的分布确定前 1% 阈值，再与位置掩码相交。不是把同一个基因附近所有罕见变异直接求和。

检验包括 burden、SKAT、ACAT-V 和 ACAT-O：分别对应较一致方向的聚合效应、允许效应异质性的方差分量信号、单变异 P 值聚合及联合检验。原图把它们按作者讨论的遗传结构排序，但不存在脱离真实效应方向、稀疏程度和权重的普遍功效顺序。

显著性阈值为 $P<3.63\times10^{-9}$ ，来自 20 个随机正态表型的 WGS 模拟分析中的最小 P 值规则，而不是一个单纯的“0.05 除以集合数”公式。作者先调整已知 pQTL 与编码信号，再进行集合层面的逐步条件分析，最后额外加入单个低频/罕见变异信号进行敏感性分析。Methods，pp.40–43

原论文 Figure 4，展示加入 Atlas 前后的集合发现数、检验类型以及 PLA2G7 上游四个 AVI 变异。 — 实证结果**Figure 4 · 功能注释改变稀有变异集合检验**
B 左侧是 baseline 595、合并注释 728；右侧进一步调整单变异后，Atlas 177、baseline 64。D–G 的 PLA2G7 示例说明集合的变异数与机制一致性如何影响检验，但 motif 与预测轨道并不等于该位点已获实验验证。
Cheng et al., AlphaGenome Atlas technical report (2026), Figure 4, PDF p.11. · 原报告未明确标示开放许可；保留作者版权与原始图内容 · 原图未修改 · 原文图 · 放大

合并 baseline 与 Atlas 注释后，条件独立的非编码集合发现从 595 增至 728，约增加 22%。进一步调整单变异后保留 241 项，其中 177 项由 Atlas 注释定义，64 项来自 baseline。这里的 73% 是 177/241，不能写成 73% 的全基因组关联或所有蛋白获得改善。Atlas 发现中约 73% 来自模态特异集合，其余才是 AVI-only；因此 22% 不能全部记在 AVI 综合评分名下。

PLA2G7 提供一个具体例子：上游区域包含 526 个变异时，最低 ACAT-O P 值为 $1.10\times10^{-8}$ ，未过本研究阈值；JARVIS 前 1% 保留 33 个变异，P 值为 $3.59\times10^{-11}$ ；AVI 前 1% 留下集中于 15 bp 的 4 个变异，burden 效应为 −1.73 个蛋白标准差， $P=1.74\times10^{-13}$ 。其中三个 SNV 与较低蛋白水平和较低巨噬细胞 CAGE 预测相符，但另一个插入变异未达到名义显著。SP/KLF motif 或 G-rich 结构解释仍是候选机制，本文未对这个位点完成对应功能验证。

版本、条件分析与复制的边界

UKB 展示的结果并非全部由最终公开 Atlas 重新生成。 补充说明指出，由于 UKB RAP 在 2026 年 4 月的访问问题，论文沿用较早内部版本。作者用 202 个集合做部分一致性检查，变异数量相关为 0.769、关联结果相关为 0.904；这支持相近但不等于完整的最终版本复现。

另一个需要保留的文字差异是：正文与 Figure 4 说明常见 pQTL 条件化时使用 MAF >1%，Methods 的初始 COJO 描述使用 >0.1%。实际复现应对照作者脚本和输出清单，不能在 notes 中自行选一个阈值把两处“统一”。

身高、BMI、HbA1c 的扩展分析使用 AlphaGenome 派生评分而不是 AVI。对 All of Us 的外部检验，31 个候选关联中 25 个具备足够变异可检验，仅 4 个达到名义 $P<0.05$ ，没有一个通过 Bonferroni。因此这部分只能说提供了有限的外部支持，不能宣传为广泛独立复制。Methods pp.42–43；Supplementary Note p.49

对功能注释辅助 fine-mapping 的启发

以下是研究延伸，不是本文已经完成的分析：可以把 AVI、分模态分数及其组织特异版本作为候选注释，学习先验权重，再在独立位点检验是否改善 credible set 的覆盖率、大小与 PIP 校准。需要避免用同一批高 PIP 变异同时训练注释权重和评估，且要与 MAF、LD、距离、既有保守性注释共同比较。

相比直接把 AVI 映射为 PIP，更值得复用的是论文中的 集合设计 → 统计检验 → 单变异条件化 → 外部/功能验证 的证据链。高综合分数提供的是优先检查的理由，不是免除遗传统计校准的理由。

阅读范围与来源

本 notes 属于 2026-09-09 期，论文实际公开于 2026-09-08。已阅读公开 PDF 正文与核心 Methods，核对 Figure 3–4、集合分析和版本说明；未逐项重新分析全部补充表，也未重跑受控人群数据。文中数值均按本次公开报告版本记录。