人工智能（AI）有望解决人类遗传学中的最大挑战之一。
刚刚，来自 Google DeepMind 的研究团队基于 AlphaFold 方法论创建了 AlphaMissense——通过利用蛋白质序列数据库和变异结构背景，可以识别致病的错义突变和未知致病基因。
据介绍，与许多现有的类似工具（变异效应预测器或 VEPs）相比，AlphaMissense 表现出了更优越的能力。
具体来说，AlphaMissense 成功预测了 19233 个标准人类蛋白质的 216 百万种可能的单一氨基酸变化的致病性，得到了 7100 万个错义突变的预测。随后，AlphaMissense 更是成功预测出 89% 的错义突变，其中 57% 可能是良性的，32% 可能是致病的。
相关研究论文以“Accurate proteome-wide missense variant effect prediction with AlphaMissense”为题，已发表在权威科学期刊 Science 上。
在一篇同期发的观点文章中，爱丁堡大学的计算蛋白质生物学教授 Joseph A. Marsh 和剑桥大学研究院兼维康桑格研究所细胞遗传学负责人 Sarah A. Teichmann 评价道：
“虽然该研究无疑对变异解释和优先处理有所帮助，但重要的是不要将这些标签与这些术语具体的临床定义混淆，后者依赖于多条证据。”
值得一提的是，Google DeepMind 已经将 AlphaMissense 的所有预测免费提供给了研究社区，并开源了 AlphaMissense 模型的代码。
成功预测89%的错义突变
错义变异是指一种可以改变蛋白质氨基酸序列的遗传变异。致病性错义变异会严重破坏蛋白质功能，降低生物体适应性，而良性错义变异的影响有限。
在超过 400 万个观察到的错义变异中，仅有约 2% 被临床分类为致病性或良性，对剩余未知的变异进行分类是人类遗传学中的一个重要挑战。缺乏准确的错义变异功能预测限制了罕见疾病的诊断率以及针对潜在遗传原因的临床治疗的开发和应用。
虽然多重分析变异效应（MAVEs）系统地测量蛋白质变异的效应并可以准确预测变异的临床结果，但 MAVEs 实验需要高昂的费用和劳动力，因此蛋白质组范围内的变异致病性调查仍然不完整。
