ゲノム解析で多数のDNA変異が見つかっても、どれを実験で確かめるべきかは簡単には決まりません。候補ごとにAIモデルを動かすにも、実験で機能を調べるにも、時間と計算資源が必要です。Google DeepMindが2026年9月8日に公開したAlphaGenome Atlasは、この候補選定の工程を支える予測データ集です。ヒトゲノムで起こり得る約90億通りの一塩基変異について、分子レベルの影響をあらかじめ計算しています。

一塩基変異とは、DNAを構成する文字に相当する塩基が、別の塩基へ一つ置き換わる変化です。約90億という数は、90億人分のゲノムや、実際に観測された患者の変異数を意味しません。また、今回の対象は一塩基の置換であり、DNAの長い領域が欠けたり入れ替わったりする変化まで、あらゆる種類の変異を網羅したという意味でもありません。



基盤となるAlphaGenomeは、2025年6月に公開された、DNA配列から遺伝子発現やRNAスプライシングなどへの影響を予測するモデルです。Atlasでは、そのモデルを約90億通りの変異に適用し、出力を保存しました。データセットは1ペタバイトに達し、2億件を超えるタンパク質構造予測を収めたAlphaFold Databaseの30倍以上の規模とされています。

企業の研究開発部門にとって注目すべき点は、規模そのものよりも、候補を一つずつ計算する作業を、蓄積済みの予測を検索する作業へ移せることです。今回の発表は文章や画像を生成するサービスではなく、AIによる生物学的な予測を研究基盤として提供する動きです。検索結果だけで変異の働きが確定するわけではありませんが、実験に進める候補を比較するための材料を、研究の初期段階から利用できるようになります。

Atlasの中心的な指標が、AlphaGenome Variant Impact、略してAVIスコアです。変異が及ぼすと予測される影響を一つの数値にまとめ、候補に順位を付けるために使います。変異ごとに多数の予測結果を確認する前に、どこから詳しく調べるかを決める入口として位置付けられます。ただし、スコアが高いことと、特定の病気の原因であることは同じではありません。

この指標は、AlphaGenomeによる遺伝子調節の予測と、タンパク質を変化させる変異を評価するDeepMindのモデル「AlphaMissense」を組み合わせています。ヒトゲノムのうち、タンパク質の配列を指定するコーディング領域は約2％です。残る約98％は非コーディング領域と呼ばれますが、タンパク質を直接指定しないからといって、生物学的な働きがないわけではありません。



非コーディング領域には、遺伝子がどの細胞で、どの程度働くかに関わる配列などが含まれます。タンパク質自体の変化だけに注目すると、こうした調節の変化を捉えきれない可能性があります。AVIは両領域を扱うことで、候補選定の視野を広げる設計です。研究目的によって重視すべき影響は異なるため、一つの順位表を得た後も、対象の組織や分子過程との関係を確認する必要があるでしょう。

DeepMindは、AVIが変異の病原性や希少疾患に関する複数のベンチマークで、最高水準の性能を示したと報告しています。これは同社による評価結果であり、あらゆる研究条件で同じ性能を保証するものではありません。実務での採用を検討する際には、技術報告にある評価対象や比較条件を、自社の解析対象と照らし合わせることが必要です。単一スコアの利便性を生かしながら、その背後の予測まで確認できる運用が求められます。

高いスコアの変異が見つかっても、何に影響するのかが分からなければ、実験の設計にはつながりにくいものです。Atlasは候補を並べる指標だけでなく、個々の変異について多数の分子影響予測と、AVIスコアの特徴量寄与を提供します。特徴量寄与とは、どの種類の情報がスコアにどれだけ寄与したかを分解して示すものです。順位と理由を行き来できる点が、研究用途では意味を持ちます。

内訳の例には、クロマチンアクセシビリティ、RNAスプライシング、配列の保存性があります。クロマチンアクセシビリティは、DNAに制御因子などが接近しやすい状態かどうかに関わる指標です。RNAスプライシングは、DNAから読み出されたRNAを加工し、必要な部分をつなぐ過程を指します。保存性は、進化の過程で配列がどの程度保たれてきたかを示す情報です。



Atlasには、一つの変異につき数千の予測が収録され、ヒトとマウスの数百種類の細胞・組織にわたる遺伝子調節の側面を扱います。加えて、繰り返し現れる短いDNA配列である「モチーフ」を2,500種類以上まとめ、ゲノム上の位置も提供しています。これには、遺伝子の働きを制御するタンパク質である転写因子の結合部位も含まれます。

ただし、スコアへの寄与は、それだけで生物学的な因果関係を証明するものではありません。スプライシングへの影響が示唆されるならRNAの加工に注目するなど、検証すべき仮説を具体化する手掛かりとして読むのが適切です。米国のストワーズ医学研究所では、Julia Zeitlinger氏とMelanie Weilert氏がモチーフ情報を使い、DNAへのアクセスしやすさだけを変える転写因子と、遺伝子のオン・オフにも関わる転写因子を区別しました。予測の内訳と配列パターンは、似たスコアの候補を生物学的な違いから比較する材料にもなります。

公開前の共同研究では、以前の解析で十分に注目されなかった変異を、AVIで再評価する使い方が示されました。米国のゲノム研究機関であるブロード研究所のLaura Covill氏とAnne O'Donnell-Luria氏は、希少疾患研究のGREGoR Consortiumと協力し、候補変異の優先順位を見直しました。その過程で浮かび上がったのが、てんかん性脳症と強い関連があるDNM1遺伝子の変異です。

この事例では、順位が上がったという結果に加え、AlphaGenomeの予測から影響の仕組みも示されました。変異によって誤ったスプライス部位が生まれ、結果として作られるタンパク質が異常に長くなるという予測です。スプライス部位は、RNAを加工する際の切り継ぎ位置に関わります。配列の一文字の違いが、RNAのつながり方を通じてタンパク質へ影響する例として理解できます。



研究チームは実験的なスクリーニングで予測を検証し、近傍にも同様の影響を持つ変異を見いだしました。ここで押さえたいのは、AIが示した候補に対して、実験による確認が続いている点です。予測スコア、想定される分子機構、実験結果という異なる情報をつなぐことで、候補の意味を評価しています。この一例から、Atlasに収録されたすべての予測が同じ確度で検証済みだとは判断できません。

日本の研究機関や創薬企業にとっては、新たに取得するデータだけでなく、過去の解析で優先順位が低かった候補を再点検する用途が考えられます。その際には、既存手法とAVIで順位が大きく異なる変異を取り出し、影響の内訳を比較する方法があるでしょう。解析をやり直せば必ず新しい原因が見つかるわけではありませんが、判断を変えた根拠を追跡できれば、再検証に資源を割く理由を明確にできます。

Atlasの利用例は、個別の変異を探す研究に限りません。英国エクセター大学のGareth Hawkes氏は、健康情報と遺伝情報を研究に提供する英国の大規模基盤「UK Biobank」の参加者5万4,000人超の全ゲノムデータにAtlasを適用しました。注目したのは、希少な変異を予測される分子影響に基づいてまとめ、集団の中で形質との関連を調べる方法です。

希少な変異は、それぞれを持つ人が少ないため、一つずつ調べるだけでは関連を捉えにくい場合があります。似た働きへの影響が予測される変異をまとめることには、個々では見えにくい関係を探る狙いがあります。ただし、どの変異を同じ集まりとして扱うかで結果は変わり得ます。Atlasは、このまとめ方に分子影響の予測という判断材料を加えるものです。



報告によると、この解析では比較対象の方法より22％多く、非コーディング領域の関連を検出しました。血中のタンパク質量に関わる調節変異を絞り込み、例としてPLA2G7とEGLN1が挙げられています。また、Atlasが影響の大きさで上位1％と評価した非コーディング変異に対象を絞ると、体格指数であるBMIに関連する19のゲノム領域が見つかりました。

22％という数値は、この研究条件で検出された関連の増加を表します。病気の予測精度が一律に22％向上したという意味ではなく、別の集団や別の形質にそのまま当てはめることもできません。日本の集団データで利用を考える場合には、対象集団、変異の頻度、解析する形質、比較手法をそろえて効果を確かめる必要があります。研究開発上の評価軸は、検出数の増加に加え、その関連が次の機能検証につながるかどうかにも置くべきでしょう。

AlphaGenome Atlasは、公開時点で学術用途向けの無料ウェブポータルとAlphaGenome APIを通じて利用でき、Google Antigravityのスキルとしても提供されています。ただし、ポータルとAPIで現在利用できる範囲は非商用研究です。AtlasのGoogle Cloud上での商用アクセスは「coming soon」と案内されており、企業が直ちに商用業務へ組み込めると受け取るべきではありません。

混同しやすいのが、予測を生み出すAlphaGenomeモデルと、事前計算した結果を収めるAtlasの違いです。基盤モデルは学術利用向けにGitHubで提供され、商用利用向けにはGoogle CloudのModel Gardenで利用できます。モデルに商用の提供経路があっても、Atlasのデータやポータルに同じ条件が適用されるとは限りません。導入検討では、必要なのがモデルの実行なのか、蓄積済みの予測へのアクセスなのかを明確にする必要があります。



臨床利用の承認もありません。Atlasの予測を、患者の診断や治療方針を直接決める根拠として扱うことはできません。研究段階では、候補の順位付けと実験仮説の作成に役割を定め、実測データや既存の知見と照合する流れが適しています。利用条件に加えて、予測をどこまで判断に使うかを決めておくことが、研究チーム内の認識をそろえる助けになります。

企業が評価に着手するなら、利用条件に合う範囲で、実験結果が分かっている少数の変異を選び、既存の優先順位とAVIの順位を比較するところから始められるでしょう。順位が変わった候補について、分子影響の予測が実験結果と整合するか、次に行う検証を具体化できるかを確かめます。商用アクセスを待つ間にも、この比較の対象と評価基準は整理できます。最初に決めたいのは、何件の予測を取得するかよりも、どの研究判断を改善したいかです。