斯坦福专家长文详解AlphaGenome变异评分，回应「AI slop」质疑

斯坦福计算基因组学教授 Anshul Kundaje 于 09-18 连发长推，系统回应 Steven Salzberg 对 DeepMind AlphaGenome Atlas「AI slop 席卷基因组学」的批评，并对团队新推出的 AVI（AlphaGenome Variant Impact）分数做技术拆解。总体结论：AVI 是有竞争力且可解释的变异优先级工具，但既非致病概率也非范式首创，谷歌营销确有夸大，领域共识是基因调控序列密码远未「解决」。

已确认

• 争论背景：Salzberg 批评 AlphaGenome Atlas 是「AI slop」，Kundaje 发长线程反驳，并引用 Nature 报道；他在收尾时表示期待对方拿出更实质性的批评，称把 AG 的变异效应评分斥为 slop「纯属胡扯」。
• AVI 定位：这是全基因组范围的变异影响优先级排序分数，对全部 90 亿个可能变异统一排序并做 PHRED 缩放——AVI 10 对应前 10%、20 对前 1%、30 对前 0.1%、40 对前 0.01%。Kundaje 特别澄清它不是「变异是否致病」的校准概率，不应按概率解读。
• 技术路线：AVI 核心是一个分类器，把频率 ≥0.1% 的常见变异当作（有噪声的）中性/良性代理，更稀有变异当作潜在有害富集来训练。输入为每个变异 18 个特征：AlphaGenome 的 10 个特征（由数千条 track 的上下文特异效应分数向量压缩而来，覆盖染色质可及性、转录因子、转录、剪接、多聚腺苷酸化、3D 接触等）+ AlphaMissense 蛋白编码变异分数 + 2 个保守性分数 + 3 个蛋白功能缺失（LoF）注释 + indel 指示符，经线性超网络集成为单一影响分。
• 评测结论：AVI 论文在针对罕见与常见变异的多个公认基准上与其他 SOTA 变异优先级分数正式对比，整体竞争力相当，部分指标略微领先、部分明显更好。Kundaje 也指出评测存在偏向。
• 可解释性：AVI 能给出某变异被优先排序的功能性假设（如结合、可及性等），研究者还可直接在 AlphaGenome 模型上用解释方法下钻，定位变异破坏的序列特征（如 motif）及受影响细胞类型与读出。
• 先例对标：用负选择信号作代理学习变异影响分数并非新范式，最直接对比对象是广泛使用的经典评分方法 CADD。
• 原版 AlphaGenome 论文基准：普遍优于既有 SOTA，但在很多具体任务上并非巨大飞跃；评测多针对扰动实验、合成文库、银标准因果变异集等。

尚未确认

• Kundaje 承认变异优先级排序领域确实需要更多实验验证和直接测试，但他认为论文呈现的评估与验证水平已足够支持其核心结论。

为什么重要

• Kundaje 指出 Sundar Pichai 所说「我们绘制了 90 亿变异的效应」存在夸大：实际是预测了数千种细胞背景下的效应，而非实验「绘制」。
• 他强调论文作者与领域共识：AlphaGenome 及所有类似模型距离「解决」基因调控序列密码还非常遥远；论文对改进与局限的表述是坦诚的，DeepMind 营销话术虽欠细致但仍在业内合理范围内。这场争论展示了高曝光 AI 公司的模型发布如何在「营销夸大」与「实质科学价值」之间被专业社区细致审视。

2026-09-18 ~ 2026-09-18 · 20 条相关

• 【源头】计算基因组学专家反驳 AlphaGenome 是「AI slop」的质疑 — anshulkundaje · 2026-09-18
• AlphaGenome 基准全景:整体优于此前 SOTA,但多非巨大飞跃 — anshulkundaje · 2026-09-18
• AlphaGenome 论文坦诚列局限,营销话术虽欠细致仍在合理范围 — anshulkundaje · 2026-09-18
• 顶级研究员泼冷水:AlphaGenome 远未「解决」基因调控序列密码 — anshulkundaje · 2026-09-18
• 什么是 AVI 分数:全基因组变异影响排序分,非校准致病概率 — anshulkundaje · 2026-09-18
• 从数千 track 到 10 特征:AlphaGenome 变异效应的压缩方式 — anshulkundaje · 2026-09-18
• AlphaGenome 变异评分降维:数千 track 压缩成 10 个跨细胞类型特征 — anshulkundaje · 2026-09-18
• AVI 每个变异用 18 个特征:AG 特征+AlphaMissense+保守性+LoF 注释 — anshulkundaje · 2026-09-18
• AVI 架构揭秘：18 个特征喂入线性超网络集成得单一影响分 — anshulkundaje · 2026-09-18
• 【源头】DeepMind AVI 分数拆解:用常见/稀有变异频率做中性代理训练分类器 — anshulkundaje · 2026-09-18
• AVI 并非首创:与广泛使用的变异影响评分 CADD 直接对标 — anshulkundaje · 2026-09-18
• AVI 分数按 PHRED 缩放，还能溯源关键特征 — anshulkundaje · 2026-09-18
• 可直接在 AlphaGenome 上做解释，定位被破坏的序列特征 — anshulkundaje · 2026-09-18
• AVI 分数可解释：能给出变异优先级的功能性假设 — anshulkundaje · 2026-09-18
• AVI 在公认基准上与 SOTA 变异评分互有胜负 — anshulkundaje · 2026-09-18
• DeepMind AVI 分数评测：基因变异预测比肩 SOTA 但评测有偏 — anshulkundaje · 2026-09-18
• AI 疾病变异优先级评分引验证之争，作者称现有评估已够用 — anshulkundaje · 2026-09-18
• 学者指谷歌夸大 AlphaGenome：是预测而非「绘制」90 亿变异效应 — anshulkundaje · 2026-09-18
• 【源头】斯坦福教授回击:基因模型变异效应评分被称「AI slop」纯属胡扯 — anshulkundaje · 2026-09-18

另有 1 条近重复转述:anshulkundaje