AlphaGenome Atlas: DeepMindが公開した90億のDNA変異マップとは

TL;DR

2026年9月8日、Google DeepMindはAlphaGenome Atlasを公開しました。これは、ヒトDNAで起こりうる約90億の1文字変化のすべてをスコア化した、無料で事前計算済みのマップです。研究者はモデルを動かす代わりに、変異を入力して予測を読み取ります。

中心となる数値はAVIスコア(AlphaGenome Variant Impact)です。変異ごとに1つの数値で、その変化が重要である可能性を順位づけします。タンパク質をコードする2%のゲノムにも、コードしない98%にも使え、後者は科学がこれまで最も読み解きにくかった部分です。

実際に役立ち、同時に実際に限界もあります。以前はカスタム計算や実験が必要だったことを、研究室は数秒で調べられるようになりました。ただしスコアは証明ではなく予測であり、DeepMindは臨床診断には使えないと明確に述べています。ゲノミクスを超えて通用するより深い教訓は、パッケージングにあります。ここでの成果は新しいモデルではなく、難しいモデルを誰でもそのまま使えるものに変えたことです。

AlphaGenome Atlasとは何か

AlphaGenome Atlasはチャットボットではなく、データベースです。DeepMindは自社のAlphaGenomeモデルをヒトゲノム全体に網羅的に適用し、すべての結果を保存しました。成果物は「遺伝子変異が分子生物学にどう影響するかを示す最も包括的なカタログ」と呼ばれ、規模は約1ペタバイトの予測で、AlphaFold Databaseの30倍以上です。

要点は規模です。Atlasには変異ごとに数千の分子レベルの影響予測があり、ヒトとマウスの数百の細胞タイプや組織にまたがっています。DeepMindのDemis Hassabisは、その野心を率直に語りました。

"With AlphaFold we mapped the protein universe - now with AlphaGenome Atlas we're charting the human genome..."

Demis Hassabis, X

名前を挙げるべき人物は2人です。この成果は、DeepMindのVP of ScienceであるPushmeet Kohliと、ゲノミクス研究を率いるŽiga Avsecによるものとされています。

解決したい問題: 読めなかった98%

これが重要になる背景です。ヒトゲノムのうちタンパク質をコードするのは約2%だけです。残りの約98%は非コードDNAで、遺伝子がいつ、どこで、どの強さでオンオフされるかを決める部分です。

これが問題なのは、ゲノムワイド関連解析で見つかる疾患関連の変異の大半が、まさにこの非コード領域にあり、その影響が歴史的に謎だったからです。そうした変異には「意義不明の変異(variant of uncertain significance)」というもどかしいラベルが付きます。見えてはいても、何をするのかは言えません。Atlas以前は、解決するには自分でモデルを動かすか、時間と費用のかかる実験が必要でした。

つまり今は、すべてを試験する代わりに、予測される影響の大きさで変異を順位づけできるというわけです。Stowers InstituteのJulia Zeitlingerは、その効果をうまく表現しました。

"gives us a searchable dictionary for non-coding DNA"

Julia Zeitlinger, Nature

AVIスコア: あらゆる変異を1つの数値で

Atlasで実際に読み取るのはAlphaGenome Variant Impact (AVI)スコアで、ある変化がどれほど重要と予測されるかを示す1つの数値です。巧みなのは2つのモデルを組み合わせている点で、調節(非コード)への影響にはAlphaGenome、タンパク質を変える(コード)影響にはAlphaMissenseを使います。そのため、コード領域の変異と非コード領域の変異が同じ尺度で返り、直接比較できます。

尺度は対数なので読み違えやすく、わかりやすく整理するとこうなります。

しかもブラックボックスの数値ではありません。各AVIスコアは、クロマチンのアクセス性、スプライシング、保存性といった解釈可能なカテゴリの加算的な寄与に分解でき、変異が何かを乱すということだけでなく、どの分子プロセスを乱すと予測されるかまで見えます。DeepMindは、このスコアが「best-in-class performance across many variant pathogenicity and rare-disease benchmarks」を示すと報告しています。

内部の仕組み: AlphaGenomeはDNAをどう読むか

Atlasは参照テーブルですが、それを埋めたのは2025年6月に初めて公開されたAlphaGenomeモデルです。スコアはその読み方に基づいているので、仕組みを理解しておく価値があります。

このモデルは一度に100万塩基対のDNAを取り込み、中央にTransformerを備えたU-Net型のアーキテクチャに通します。エンコーダからデコーダへ進む形はAlphaFoldから一部借りたものです。長い文脈のおかげで、鎖上で遠く離れた遺伝子と調節スイッチを結びつけられ、予測は1塩基対の解像度にまで及びます。この1回の処理から、遺伝子発現、RNAスプライシング、クロマチンのアクセス性、ゲノムの折りたたみなど、11の機能ゲノム的モダリティにわたって予測します。変異スコアに加えて、Atlasは2,500を超える反復DNAモチーフとそのゲノム上の位置もカタログ化しています。

Atlasと自分でモデルを動かす場合の違い

AlphaGenomeがすでにあったのに、なぜAtlasを作ったのか。速度とアクセスのためです。この規模のモデルをライブで1変異ずつ動かすのは、数件の照会ならよくても、ゲノム規模の作業には見込みがありません。90億通りの変化をそうやってすべて試験するのは、単純に不可能です。

そこでDeepMindは答えを事前に計算しました。この1つの判断が、研究用モデルを、生物学者が火曜の午後に使えるものに変えます。UCサンディエゴの精神遺伝学者Jonathan Sebatは、日々の影響をこう率直に語りました。

"Our own workflows in the lab can be streamlined quite a bit because we don't actually have to compute anything. We literally can just look up everything."

Jonathan Sebat, Scientific American

この「調べるだけ」への転換は、すでに実際の研究に表れています。Broad Instituteのチームは、GREGoR Consortiumと協力し、AVIスコアを使って非コード変異に優先順位を付け、ある患者の重度のてんかんの原因候補としました。関連する事例では、予測が仕組みまで指し示しました。誤ったスプライス部位を作る変異だったのです。

実際の使い方

誰が使うかによって、入口は3つあります。

多くの研究者にとっては、ポータルが本題です。ウェブサイトに変異を入力し、AVIスコアとモダリティごとの内訳を読むだけで、コーディングのスキルは要りません。スクリプトで処理したい場合、APIはPythonパッケージ(dna_client、predict_variantとscore_variantの呼び出し付き)で、非営利なら無料です。アクセスは分野にとってすでに重要なようで、DeepMindによれば、Atlasがポイント&クリックにする前から、約9,000人の研究者がAPI経由でAlphaGenomeを使っていました。

どこまでが限界か

公開当日の報道の多くが素通りしたのがこの部分で、スコアをどこまで信頼するか決める人にとって最も重要なセクションです。

DeepMindは、Atlasがいかなる臨床用途にも承認されておらず、専門家による診断の代わりにならないと率直に述べています。これは優先順位付けのツールです。しかも、有名な兄弟分より精度は低く、専門家は、Atlasがはるかに大きいにもかかわらずAlphaFoldデータベースより精度がずっと低いと指摘しています。遺伝子制御の予測は、タンパク質構造の予測よりノイズの多い問題だからです。Max Delbrück CentreのMartin Kircherは、公平な見方を示しました。

"This is a useful and generous way to scale up access to a strong model" ... it "won't replace experiments or, in the case of diagnosing disease, accounting for differences specific to individuals."

Martin Kircher, Nature

最も鋭い指摘はHacker Newsの実務家から出ており、耳を傾ける価値があります。生物学の素養が明らかなあるコメント投稿者は、変異ごとのスコアがそのまま医療上の価値に結びつくという考えに反論しました。

"on their own, with the exception of a few diseases, individual SNP predictions are meaningless in terms of actual pathogenicity."

dekhn, Hacker News

別の人は、方法論上の細かな落とし穴を挙げました。ベンチマークのラベルが進化的保存に依存していると、モデルはすでに与えられていたシグナルを読み直しているだけで、成績が良く見えることがあるというものです。また、単一変異のマップは、複数の変化が相互作用して初めて現れる生物学を見落とすという指摘も繰り返し出ました。1変異ずつのスコアでは捉えられない点です。これでAtlasが役に立たなくなるわけではなく、DeepMindが言う通りのもの、つまり答えではなく出発点だということです。

AIで開発する人にとっての意味

私はラボではなくソフトウェア側からこれを書いていますが、心に残ったのはゲノミクスではありません。その根底にあるプロダクトの判断です。

AlphaGenomeは1年以上、APIとして存在していました。強力でしたが、計算環境を用意してPythonを書ける人にしか届きませんでした。Atlasはモデルを賢くしたわけではありません。難しい作業を事前に済ませ、誰でもそのまま使える形に包んだことで、生物学者は答えを工学的に導き出す代わりに、調べるだけで済むようになりました。「高性能なモデルがある」と「仕事をこなすものがある」の間のこの溝こそ、多くのAIが採用されるか放棄されるかの分かれ目です。

これはまさに、私たちがeeselで大切にしているパターンです。素のモデルはインフラであり、チームが雇うのは従業員です。eeselはAI teammateのプラットフォームで、teammateは最初から働ける状態で届きます。現在は、ヘルプセンターをすでに把握したうえでサポートキューに加わるAIヘルプデスクteammateと、AIブログライターがあります。モデルを配線してうまくいくことを祈る必要はありません。難しい設定は済んでいるので、teammateは初日から役に立ちます。Atlasにたどり着いた瞬間から役立つのと同じです。

eeselを試す

AlphaGenome Atlasが、強力なモデルを本当に使えるものにする教訓だとすれば、それがサポートやコンテンツのチーム向けeeselの根底にある考え方のすべてです。モデルと空の設定を渡す代わりに、eeselはあなたの文脈をすでに把握したteammateを提供し、実際の過去チケットでシミュレーションすることで、顧客に触れる前に検証できます。

また、いまやターミナルやコーディングエージェントからツールを動かすチームも多いため、eesel CLIがあります。ダッシュボードで管理しているのと同じteammateとワークスペースを、コマンドラインから操作できます。人が直接使うことも、スクリプトで自動化することも、Claude Code、Codex、Cursorなどのコーディングエージェントが操作することもできます。teammateの指示を確認し、テストメッセージを送り、構造化された結果を読み戻し、人が承認するための範囲を限定した変更を提案できます。配線不要で調べるだけという考え方を、サポート自動化に当てはめたものです。eeselは無料で試せます。