AI能讀DNA，為何還難預測一個人會不會生病？

（媒角抵加／林承志綜合報導）AI已能從DNA找出可能影響基因運作的變化，但要判斷一個人會不會生病，還有更複雜的問題。Google DeepMind的AlphaGenome能協助研究者挑選值得做實驗的線索；這些變化在什麼細胞、什麼時間發揮作用，以及環境如何參與，仍是難題。WIRED近日重刊的基因研究專題，談的正是這段距離。官方目前將工具限定於研究用途，排除臨床決策。

關鍵資訊

• AI在做什麼：比較DNA改動前後，預測哪些基因的活動可能受到影響。
• 為什麼難：同一段DNA在不同細胞、不同時期，可能有不同作用。
• 目前幫得上什麼忙：協助研究者安排實驗、挑選優先研究的變化。
• 專題日期：WIRED於2026年10月17日重刊Quanta的6月18日報導；AlphaGenome原論文於1月28日發表。

同樣的DNA，為何能形成不同細胞？

皮膚細胞和神經細胞做的工作很不一樣，卻帶著幾乎相同的一套DNA。差別之一，在於細胞使用哪些基因，以及使用多少。美國國家人類基因體研究所（NHGRI）說明，不同細胞有不同的基因活動模式，因而產生不同的特性與功能。

DNA攜帶遺傳資訊，組成它的四種基本成分，通常以A、C、G、T四個字母表示。NHGRI的DNA解說指出，遺傳資訊就儲存在這些字母的排列裡。其中帶有特定功能資訊的片段稱為基因；許多基因記錄了製造蛋白質的資訊，蛋白質則參與組成細胞與組織。NHGRI的基因解說也介紹了這層關係。

細胞還有調整基因活動的機制，有點像控制音量的調節鈕：它會改變某個基因何時被使用、在哪些細胞被使用，以及使用的程度。科學家稱這個過程為「基因調控」。依NHGRI的說明，這些調整也參與身體對環境變化的反應。

AlphaGenome先看「改一個字母會怎樣」

Google DeepMind在2026年1月28日刊於Nature的原始研究中，介紹AlphaGenome如何一次讀取約100萬個DNA字母，預測基因活動等細胞內的變化。研究者可以把原本的DNA與改動後的版本交給模型，比較兩者的預測結果。

以某個位置的A換成G為例，模型可以預測這項改動是否影響某個基因的活動；研究者再透過實驗確認。這讓研究者能從大量DNA變化中，挑出較值得優先研究的對象。

DeepMind的模型說明也交代，AlphaGenome著重預測細胞內的變化。從這一步走到身高、疾病等複雜結果，還涉及發育過程及環境等因素。

DNA會折疊，遠處的調節區也可能靠過來

困難還在於，DNA在細胞裡會折疊。有些參與調控的DNA片段，沿著字母排列看來離某個基因很遠，折疊後卻能靠近，影響這個基因的活動。

愛丁堡大學基因體生物學家Wendy Bickmore在Quanta的原始採訪中指出，研究者仍缺少涵蓋各種細胞與發育階段的完整資料。細胞在不同時期如何使用DNA，是模型面對的難題之一。WIRED於10月17日重刊這篇專題。

AlphaGenome已能預測部分DNA區域彼此接近的情形；原論文仍將相隔較遠的調控作用，以及不同細胞情境下的影響，列為待改善的問題。讀進更多DNA字母，與掌握它在各種細胞裡的作用，兩者需要的資訊與驗證不同。

獨立研究發現，有些重要線索可能被低估

研究者Shiron Drusinsky與Katherine S. Pollard在9月11日公開的研究中，以人類全血資料檢查AlphaGenome的預測。這份研究是預印本，尚未經過同儕審查，也就是其他專家對研究的正式評閱。

團隊先用統計分析篩出可能影響基因活動的DNA變化，再看模型如何評分。他們發現，模型常低估這些候選變化的相對影響，讓它們在一群附近的變化中不夠突出，影響研究者挑選優先研究對象的排序。

團隊也發現，模型預測影響最強的那一群變化，確實較常包含這些重要候選。這顯示模型有找線索的價值，同時也可能把值得研究的變化排到後面。研究的評估目標是基因活動與變化排序。

研究預測，如何走到個人健康判讀？

對一般讀者來說，這類AI的用途，是協助科學家尋找DNA變化可能造成的影響。從細胞裡的變化到一個人的健康，還有實驗、疾病相關證據與個人狀況需要一起確認。AlphaGenome官方FAQ明訂，工具供理論建模與研究使用，排除臨床決策及醫療專業建議。

已有的臨床基因檢測，則依檢測目的，可能協助確認疾病、辨認帶因狀態，或評估某些疾病風險。美國國家醫學圖書館MedlinePlus說明，醫療人員解讀結果時，會一併考慮病史、家族史和檢測種類；有些DNA變化的健康意義仍不明確。

台灣讀者若在基因分析服務中看到「AI預測」，可以向服務單位確認：使用哪個工具、分數預測的是基因活動還是疾病風險、有哪些檢驗證據支持，以及由誰結合個人病史解讀。這些問題能幫助了解，一份報告提供的是哪一種資訊。

資料來源與更新紀錄

• NHGRI：細胞基因活動解說、DNA解說、基因解說、基因調控解說。
• Nature：Advancing regulatory variant effect prediction with AlphaGenome，2026年1月28日；Google DeepMind模型說明、官方FAQ。
• Quanta：Philip Ball的基因體調控與AI專題，2026年6月18日；WIRED授權轉載，2026年10月17日。
• bioRxiv：Causal variant underestimation is a major overlooked driver of sequence-to-function model underperformance，2026年9月11日，未經同儕審查的預印本。
• MedlinePlus：基因檢測結果的意義。
• 延伸閱讀：AI安全主題、Google相關報導、AI科學成果如何驗證、北醫導入DeepRad心肺雙篩。
• 更新紀錄：2026年10月18日改寫為一般讀者科普版本；以上來源於同日查閱。