斯坦福专家长文评测 AlphaGenome AVI 分数

斯坦福计算基因组学教授 Anshul Kundaje 于 9 月 18 日发布长线程，回应 Steven Salzberg 关于 DeepMind AlphaGenome Atlas 是「AI slop 席卷基因组学」的批评，并对 DeepMind 推出的 AVI（AlphaGenome Variant Impact）分数做了系统性技术评测，结论是：该工作扎实、有竞争力，但并非颠覆性突破，使用时需理解其定位与局限。

已确认

• AVI 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 对应前 1%、30 对应前 0.1%、40 对应前 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。
• 技术路线上，AVI 用常见/稀有变异频率做代理训练分类器：频率 ≥0.1% 的常见变异被当作（有噪声的）中性/良性代理，更稀有变异则富集潜在有害影响。这种以负选择信号为代理的范式并非首创，最直接的对标对象是广泛使用的经典评分 CADD。
• 特征构成：AlphaGenome 在数千条 track 上预测的参考 vs 替代变异效应被压缩为 10 个跨细胞类型特征（覆盖染色质可及性、转录因子、转录、剪接、多聚腺苷酸化、3D 接触等类型），再与 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）注释和 indel 指示符合并，共 18 个特征/变异，喂入线性超网络集成得到单一影响分。
• 评测结论：AVI 论文作者在针对罕见与常见变异的多个公认基准上与其他 SOTA 变异优先级分数做了正式对比，结果互有胜负——部分指标略微领先、部分明显更好。原版 AlphaGenome 论文的基准全景也显示其普遍优于既有 SOTA，但多数具体任务上并非巨大飞跃。
• 可解释性是亮点：AVI 能给出某变异被优先排序的功能性假设（如结合、可及性变化），研究者还可直接在 AlphaGenome 模型上使用解释方法，下钻定位变异破坏了哪些序列特征（如 motif）、影响哪些细胞类型中的哪些读出。

Kundaje 的批评与保留意见

• 把上下文特异的变异效应压缩成与疾病无关的通用评分是常见的有损做法：不同疾病和性状关联不同细胞上下文，会丢失大量信息。他提出可学习表型评分，把分子效应映射为疾病特异性优先级，并认为 AI 智能体与模型解释技术为在多维评分上直接推理创造了机会。
• 关于宣传尺度：论文作者与整个领域共识是 AlphaGenome 及类似模型距「解决」基因调控序列密码仍非常遥远，论文对改进与局限的表述是坦诚的；DeepMind 的营销话术虽欠细致，但相比业内常见宣传尺度仍在合理范围。
• 他认为监督式序列到组学模型的核心优势在于学到上下文特异调控逻辑，而未以细胞上下文为条件的 DNA 语言模型在非编码变异预测上表现吃力。

为什么重要

AVI 是 DeepMind 将 AlphaGenome 系列推向临床级变异解读的尝试，其评测结果与可解释性直接关系罕见病遗传诊断中变异优先级工具的选型；Kundaje 的长文为社区提供了一份来自顶级第三方专家的平衡评估，既反驳了「AI slop」的过度贬低，也提醒不要被营销带偏。

2026-09-18 ~ 2026-09-18 · 29 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
• 【源头】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
• 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
• 单一聚合评分是历史便利:人类难调和多源评分 — anshulkundaje · 2026-09-18
• 临床变异优先级指南几乎只关注蛋白编码区变异 — anshulkundaje · 2026-09-18
• 非编码变异效应依赖上下文,临床指南却只盯编码区 — anshulkundaje · 2026-09-18
• 非编码变异效应高度依赖细胞上下文,DNA 语言模型因此吃力 — anshulkundaje · 2026-09-18
• 序列到组学监督模型的核心优势:学到上下文特异调控逻辑 — anshulkundaje · 2026-09-18
• 压缩为通用评分丢失信息,细胞上下文对疾病至关重要 — anshulkundaje · 2026-09-18
• 用表型评分把分子效应映射为疾病特异性优先级 — anshulkundaje · 2026-09-18
• CADD 等聚合评分仍有用,须结合上下文特异性效应解读 — anshulkundaje · 2026-09-18
• 斯坦福学者谈变异优先级:没人解决它,旧评分派也过时了 — anshulkundaje · 2026-09-18

另有 1 条近重复转述:anshulkundaje