AlphaGenome 是 Google DeepMind 開發的深度學習基礎模型,可預測人類基因組中 DNA 序列的功能調控效應。這項模型會以單一鹼基解析度分析最多 100 萬個鹼基對 (1 MB) 的 DNA 序列,預測基因變異如何影響 11 種基因組模態的分子和生物機制:基因表現 (RNA_SEQ、CAGE、PROCAP)、染色質可及性 (ATAC、DNASE)、組織蛋白修飾和轉錄因子結合 (CHIP_HISTONE、CHIP_TF)、RNA 剪接 (SPLICE_SITES、SPLICE_SITE_USAGE、SPLICE_JUNCTIONS),以及 3D 染色質接觸圖譜 (CONTACT_MAPS)。
本文件說明 AlphaGenome 的硬體和部署需求,並說明如何在 Gemini Enterprise Agent Platform 部署及查詢模型。
硬體和部署需求
AlphaGenome 採用深度架構和 1 MB 的脈絡窗口,因此對硬體和記憶體有嚴格要求。本節涵蓋下列主題:
支援的 VM 和 GPU 設定
AlphaGenome 至少需要一個節點。您可以使用配備 NVIDIA A100 或 H100 加速器的機器類型,將模型部署至 Agent Platform 端點。
如果需要額外容量來處理增加的要求量,可以在 Agent Platform 端點設定自動調度資源,自動新增節點。詳情請參閱「使用自動調度資源功能調度推論節點」。
支援的加速器和機型
請從下列支援的機型中選取,這些機型提供所需的 80 GB GPU 記憶體:
- NVIDIA H100 (80 GB):
a3-highgpu-1g、a3-highgpu-2g、a3-highgpu-4g、a3-highgpu-8g - NVIDIA A100 (80 GB):
a2-ultragpu-1g、a2-ultragpu-2g、a2-ultragpu-4g、a2-ultragpu-8g - NVIDIA H100 Mega (80 GB):
a3-megagpu-8g
如需詳細規格,請參閱「設定推論運算資源」。
配額需求
部署模型前,請確認 Google Cloud 專案在目標區域有足夠的 GPU 服務配額,可滿足下列指標:
aiplatform.googleapis.com/custom_model_serving_nvidia_h100_gpusaiplatform.googleapis.com/custom_model_serving_nvidia_a100_gpusaiplatform.googleapis.com/custom_model_serving_nvidia_h100_mega_gpuscompute.googleapis.com/gpus_per_gpu_family
部署 AlphaGenome
AlphaGenome 是 Model Garden 提供的自行部署模型。如需詳細操作說明,瞭解如何佈建端點基礎架構,以及將模型部署至 Google Cloud 專案,請參閱「從 Model Garden 部署開放原始碼模型」。
Model Garden 提供下列 AlphaGenome 服務版本:
alphagenome-004(預設,統合 gRPC 和 HTTP):從統合容器提供所有七種DnaModelService方法 (predict_sequence、predict_interval、predict_variant、score_variant、score_interval、score_ism_variants和output_metadata),該容器支援通訊埠8081上的 HTTP/2 gRPC 串流,以及通訊埠8080上的 HTTP 串流 (streamRawPredict):- 公開 (共用端點) (gRPC):在 Model Garden 部署模型時,選取「Endpoint access」(端點存取權) 下方的「Public (shared endpoint)」(公開 (共用端點)),即可透過 gRPC 串流 (
PredictionService.StreamDirectRawPredict,使用dna_client_grpc.create_vertex_client) 查詢模型。透過 gRPC 呼叫模型時,系統會直接傳輸壓縮的二進位張量區塊,不需耗費 JSON 或 base64 序列化作業,因此可縮短 1 MB 軌跡預測的延遲時間,並避免高並行多變體工作負載 (例如電腦模擬飽和突變 (score_ism_variants)) 發生 HTTP 閘道逾時。 - 公開 (專屬端點) (HTTP):在 Model Garden 部署時,請保留預設的「Public (dedicated endpoint)」(公開 (專屬端點)) 選項,透過 HTTP 串流 (
streamRawPredict使用dna_client_http.create_http_client) 查詢模型,這會串流分塊二進位 protobuf 酬載 (proto_b64),不受共用端點 10 MB 的 HTTP 回應大小限制。 - 摺疊選取:
alphagenome-004上的 gRPC 和 HTTP 用戶端都支援使用model_version參數選取模型摺疊 (預設為ALL_FOLDS,或個別摺疊FOLD_0到FOLD_3)。
- 公開 (共用端點) (gRPC):在 Model Garden 部署模型時,選取「Endpoint access」(端點存取權) 下方的「Public (shared endpoint)」(公開 (共用端點)),即可透過 gRPC 串流 (
alphagenome-003(舊版 HTTP):透過通訊埠8080上的 HTTP/1.1 串流 (streamRawPredict) 提供預測,並維持可用狀態,以便與現有 HTTP 用戶端部署項目回溯相容。
使用 AlphaGenome
您可以使用 Python SDK (在共用端點上透過 gRPC,或在專屬端點上透過 HTTP),以程式輔助方式與已部署的 AlphaGenome 端點互動。
如需完整的 API 參考資料、參數定義和詳細結構定義,請參閱官方 AlphaGenome 說明文件。
先決條件和驗證
Agent Platform 使用 Identity and Access Management (IAM) 管理已部署端點的存取權。請確認執行環境 (例如本機終端機、VM 或 Colaboratory) 已使用具備 Agent Platform 使用者 (roles/aiplatform.user) IAM 角色的服務帳戶或使用者憑證完成驗證。
使用量 (alphagenome-004)
下列範例說明如何使用 Python SDK 查詢已部署的 alphagenome-004 端點:
Python
安裝 SDK
AlphaGenome Cloud SDK 的 wheel 檔案 (alphagenome-004) 位於 GoogleCloudPlatform GitHub 存放區。執行下列指令,下載並安裝 wheel 檔案:
# Download the wheel file
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl
# Install the wheel file
pip install alphagenome_cloud_sdk-0.4.2.12-py3-none-any.whl
初始化用戶端
查詢模型前,請先為已部署的 alphagenome-004 端點初始化用戶端。gRPC 用戶端 (GrpcDnaClient) 和 HTTP 用戶端 (HttpDnaClient) 都會實作標準 alphagenome.models.dna_model.DnaModel 介面。
如要透過 gRPC 串流連線至 alphagenome-004 共用 (標準) 端點,請將 Agent Platform 端點資源名稱傳遞至 dna_client_grpc.create_vertex_client:
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_grpc
# Specify the standard (shared) endpoint resource name:
endpoint = "projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID"
# Optional: Specify `service_account` for service account impersonation, or
# `model_version` to select a specific fold ("ALL_FOLDS", "FOLD_0", "FOLD_1",
# "FOLD_2", or "FOLD_3").
dna_model = dna_client_grpc.create_vertex_client(
endpoint=endpoint,
# service_account="SERVICE_ACCOUNT_EMAIL",
# model_version=dna_client.ModelVersion.ALL_FOLDS,
)
如果您將 alphagenome-004 部署至專屬端點,請使用 dna_client_http.create_http_client:
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http
# Create the HTTP client pointing to the dedicated endpoint streamRawPredict URL.
dna_model = dna_client_http.create_http_client(
vertex_ai_url="https://ENDPOINT_DNS/v1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID:streamRawPredict",
# service_account="SERVICE_ACCOUNT_EMAIL",
# model_version=dna_client.ModelVersion.ALL_FOLDS,
)
預測 DNA 序列的軌跡
使用 predict_sequence 預測原始 DNA 字串的基因組模態:
# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')
output = dna_model.predict_sequence(
sequence=padded_sequence,
requested_outputs=[
dna_client.OutputType.CAGE, # Transcription Start Sites
dna_client.OutputType.DNASE, # Chromatin Accessibility
],
ontology_terms=[
'UBERON:0002048', # Lung tissue ontology term
],
)
# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata
預測參考基因組區間的軌跡
使用 predict_interval,直接從參考基因組中的特定染色體區域預測模態:
from alphagenome.data.genome import Interval
# Define a genomic interval and resize it to the 1 MB context window
interval = Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
name='CYP2B6',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
output = dna_model.predict_interval(
interval=interval,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'], # Right liver lobe
)
預測基因體軌跡的變異影響
使用 predict_variant 產生某個區間內的成對參考 (reference) 和突變 (alternate) 軌跡預測:
from alphagenome.data import genome
interval = genome.Interval(
chromosome='chr19',
start=41003816,
end=41005864,
strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
variant = genome.Variant(
chromosome='chr19',
position=41004840,
reference_bases='C',
alternate_bases='T',
)
variant_output = dna_model.predict_variant(
interval=interval,
variant=variant,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'],
)
ref_rna_values = variant_output.reference.rna_seq.values
alt_rna_values = variant_output.alternate.rna_seq.values
為變異影響評分
使用 score_variant 比較參考 (REF) 序列與替代 (ALT) 突變序列,總結基因變異的預測影響:
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the genetic variant
variant = genome.Variant(
chromosome='chr22',
position=36201698,
reference_bases='A',
alternate_bases='C',
)
# Select the recommended variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']
# Execute the scoring
variant_scores = dna_model.score_variant(
interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
variant=variant,
variant_scorers=[variant_scorer],
)
# Output is returned as a list of AnnData objects containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)
為基因組間隔評分
使用 score_interval 計算基因遮罩區間在基因組區域的分數:
from alphagenome.data import genome
from alphagenome.models import interval_scorers
interval = genome.Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
).resize(dna_client.SEQUENCE_LENGTH_1MB)
interval_scorer = interval_scorers.RECOMMENDED_INTERVAL_SCORERS['RNA_SEQ']
interval_scores = dna_model.score_interval(
interval=interval,
interval_scorers=[interval_scorer],
)
print("Interval scores shape:", interval_scores[0].X.shape)
執行電腦模擬飽和突變
使用 score_ism_variants 評估目標 ism_interval 中所有可能的單核苷酸變異:
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the 1 MB sequence context interval and a target 50 bp ISM window
sequence_interval = genome.Interval(
chromosome='chr19',
start=41003816,
end=41005864,
).resize(dna_client.SEQUENCE_LENGTH_1MB)
ism_interval = genome.Interval(
chromosome='chr19',
start=41004815,
end=41004865,
)
dnase_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['DNASE']
ism_scores = dna_model.score_ism_variants(
interval=sequence_interval,
ism_interval=ism_interval,
variant_scorers=[dnase_scorer],
)
print("Number of variants scored:", len(ism_scores))
使用量 (alphagenome-003)
Python
安裝 SDK
AlphaGenome Cloud SDK 的 Wheel 檔案位於 GoogleCloudPlatform GitHub 存放區。您可以執行下列指令,下載 Wheel 檔案:
# Download the whl file using -
wget -q https://github.com/GoogleCloudPlatform/vertex-ai-samples/raw/main/notebooks/community/alphagenome/whl/alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl
# Install the whl file
pip install alphagenome_cloud_sdk-0.4.2.11-py3-none-any.whl
初始化用戶端
您必須先初始化用戶端,才能使用模型:
from alphagenome.models import dna_client
from alphagenome_cloud_sdk.models import dna_client_http
# Create the HTTP client pointing to the Agent Platform endpoint.
# The `service_account` parameter is optional and only required if you are
# choosing to authenticate via service account impersonation.
dna_model = dna_client_http.create_http_client(
vertex_ai_url=vertex_ai_url,
# service_account=service_account # Uncomment to use service account impersonation
)
預測 DNA 序列的軌跡
使用 predict_sequence 預測原始 DNA 字串的基因組模態:
# Pad a synthetic sequence to 1 MB using 'N' for unknown/padding bases
padded_sequence = 'GATTACA'.center(dna_client.SEQUENCE_LENGTH_1MB, 'N')
output = dna_model.predict_sequence(
sequence=padded_sequence,
requested_outputs=[
dna_client.OutputType.CAGE, # Transcription Start Sites
dna_client.OutputType.DNASE, # Chromatin Accessibility
],
ontology_terms=[
'UBERON:0002048', # Lung tissue ontology term
]
)
# Access prediction values (shape: sequence_length, num_tracks)
dnase_signals = output.dnase.values
dnase_metadata = output.dnase.metadata
預測參考基因組區間的軌跡
使用 predict_interval,直接從參考基因組中的特定染色體區域預測模態:
from alphagenome.data.genome import Interval
# Define a genomic interval and resize it to the 1Mb context window
interval = Interval(
chromosome='chr19',
start=40991281,
end=41018398,
strand='.',
name='CYP2B6'
).resize(dna_client.SEQUENCE_LENGTH_1MB)
output = dna_model.predict_interval(
interval=interval,
requested_outputs=[dna_client.OutputType.RNA_SEQ],
ontology_terms=['UBERON:0001114'] # Right liver lobe
)
為變異影響評分 (電腦模擬誘變)
使用 score_variant 比較參考 (REF) 序列與替代 (ALT) 突變序列的預測表現:
from alphagenome.data import genome
from alphagenome.models import variant_scorers
# Define the genetic variant
variant = genome.Variant(
chromosome='chr22',
position=36201698,
reference_bases='A',
alternate_bases='C',
)
# Select the variant scoring method for RNA-Seq
variant_scorer = variant_scorers.RECOMMENDED_VARIANT_SCORERS['RNA_SEQ']
# Execute the scoring
variant_scores = dna_model.score_variant(
interval=variant.reference_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
variant=variant,
variant_scorers=[variant_scorer],
fix_negative_strand=True
)
# Output is returned as an AnnData object containing raw and quantile scores
print("Scores shape:", variant_scores[0].X.shape)
定價
AlphaGenome 須付費訂閱。如要瞭解 AlphaGenome 定價,請與 Google Cloud 銷售專員聯絡,或洽詢 Google Cloud帳戶團隊。
您必須支付託管模型所用的基礎架構費用,包括 Agent Platform 端點和部署模型的 GPU 執行個體。詳情請參閱「Agent Platform 定價」。
限制
AlphaGenome 有下列限制:
- 僅供研究使用:AlphaGenome 是研究工具,不適用於臨床診斷,也未經核准用於臨床診斷。
- 1 MB 脈絡範圍:單一預測查詢無法擷取距離超過 1 MB 的基因體互動。
- 不支援微調:AlphaGenome 不支援對私人訓練資料集進行微調。該模型僅適用於推論。
科學參考目錄
為協助科學和開發人員社群,下表列出 AlphaGenome 的主要參考資料、文獻和資源:
| 資源類型 | 標題和連結 | 說明 |
|---|---|---|
| 同儕審查論文 | 運用 AlphaGenome 推進調控變異影響預測,Nature (2026 年 1 月) | 主要科學出版品,詳細說明模型的架構、評估和效能基準。 |
| 預印文章 | AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model, bioRxiv (2025 年 7 月) | 同儕審查前的初始稿件。 |
| 公告 | AlphaGenome:AI 協助深入瞭解基因組,Google DeepMind 網誌 (2025 年 6 月) | 這篇網誌文章概略介紹模型對基因體學的影響。 |
| API 說明文件 | AlphaGenome 說明文件 | Python SDK 和 HTTP API 架構的技術說明文件。 |
| 影片逐步操作說明 | AlphaGenome:運用 AI 深入瞭解基因組 | 影片逐步操作說明,概述模型功能和基本互動流程。(影片長度:30 分鐘) |
| 快速入門筆記本 | AlphaGenome 快速入門導覽課程 Colab 筆記本 | 提供 SDK 初始化和變異影響評分的可執行範例。 |
支援和意見回饋
您可以透過下列方式取得 AlphaGenome 支援:
- 基因體科學和模型輸出支援:如要討論生物學、模型預測或可解釋性,或與 Google DeepMind 互動,請加入公開的 AlphaGenome 社群論壇,網址為 alphagenomecommunity.com。
- 基礎架構和平台支援:如有 Google Cloud配額、加速器、用戶端程式庫問題或帳單相關疑問,請與Google Cloud 帳戶團隊聯絡,或向 Cloud Customer Care 提交案件。