Name: AlphaMissense Pathogenicity Predictions
Creator: Google DeepMind

信息速览

数据集名称AlphaMissense 错义变异致病性预测 — AI-Ready Wikipedia

数据类型7100 万错义变异,2.16 亿氨基酸替换,89% 变异分类,CC BY 4.0,AlphaFold 系方法

规模不适用（预测模型输出目录；无人类患者数据）

接入方式https://github.com/google-deepmind/alphamissense

AI 就绪度

AlphaMissense — 错义变异致病性预测 AI-Ready Wikipedia

INFOBOX

项目	内容
全名	AlphaMissense（错义变异效应/致病性预测）
开发方	Google DeepMind（第一作者 Jun Cheng；研究副总裁 Pushmeet Kohli）
方法论	AlphaFold 系深度学习（预训练 MSA 掩码重建 + 微调群体变异标签）；不预测结构变化
论文	Cheng et al., Science (2023), DOI 10.1126/science.adg7492（2023-09-19）
覆盖范围	19,233 个标准人类蛋白；2.16 亿可能单氨基酸替换
核心产物	7,100 万错义变异预测；89% 分类（57% benign / 32% pathogenic）
性能	auROC 0.940（ClinVar 全局）/ 0.950（ClinVar 基因级）/ 0.809（DDD de novo）；MAVE 最准
分类阈值	<0.3464 likely benign；>0.5646 likely pathogenic（ClinVar 90% precision）
数据许可	CC BY 4.0（© 2023 DeepMind Technologies Limited；GCP ToS 约束下载）
代码许可	开源（GitHub/Zenodo；Apache 2.0 口径）；模型权重不公开（安全政策）
分发格式	hg19/hg38 TSV.gz（tabix）+ Ensembl VEP 插件 + UniProt/AlphaFold DB/DECIPHER/ProtVar
临床定位	非临床诊断工具；ACMG 框架中仅作 PP3 类计算辅助证据
本库条目	order 484 · record_id 584 · 类别：基因组学与多组学 × 公共卫生与流行病学

§0 E-E-A-T 信任声明与免责声明

经验：本条目基于 Science 2023 论文（DOI 10.1126/science.adg7492）及其 Data and materials availability 声明、Ensembl VEP 插件官方文档（阈值与许可）、Google Cloud Storage 下载页、EurekAlert/phys.org 等发布报道与多家中文科普来源交叉核对；数字全部标注来源。
专业性：两阶段训练方法依据论文 Materials and Methods；性能基准依据论文与后续独立第三方基准（2024-2026）；ACMG 证据边界依据 Marsh & Teichmann Perspective 与临床指南惯例。
权威性：AlphaMissense 为 Google DeepMind 官方发布、被 UniProt/Ensembl/DECIPHER 等权威平台集成；本条目为第三方百科解读，不替代官方文档与临床指南。
可信度：文内数字进入文末「口径存照」；19,233（论文）与 19,234（个别批次口径）差异已显式标注；2% 与 0.1% 两个临床分类比例口径已区分。
免责：本条目不构成医疗建议；AlphaMissense 预测为理论建模（官方免责："as-is"无担保），临床使用须遵循 ACMG/AMP 变异分类规范与多证据链。
时效：口径锁定 2026-09-19/20（论文发布后的静态目录；GitHub 仓库约 2025-05 归档）。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：Google DeepMind 把 AlphaFold 方法论"转调"到变异解释——给人类蛋白组里每一个可能的氨基酸替换打 0-1 的致病性分。
多大：19,233 个标准人类蛋白 × 全部 2.16 亿可能替换 → 7,100 万错义变异预测，89% 被分类（57% 良性 / 32% 致病）。
为什么重要：ClinVar 里绝大多数错义变异仍未分类（仅约 2% 有临床分类）——这是罕见病诊断的最大瓶颈之一；AlphaMissense 用一次推理把"未知的海洋"变成"有梯度分数的全图"。
怎么用：CC BY 4.0 免费下载 hg38 TSV（tabix 索引）→ Ensembl VEP 插件逐变异注释 → ClinVar 优先级排序 / ACMG PP3 证据。
一句话：它不是诊断报告，而是全蛋白组尺度上"这个变异值不值得医生多看一眼"的先验排序器。

§1.1 摘要

AlphaMissense 是 Google DeepMind 于 2023 年 9 月发布（Science, Cheng et al., DOI 10.1126/science.adg7492）的错义变异致病性预测模型。错义变异（missense variant）改变蛋白氨基酸序列——平均每人携带约 9,000 个，绝大多数良性，少数致病（囊性纤维化、镰刀型贫血、癌症、神经发育障碍等）。人类已观察错义变异超过 400 万个，但仅约 2% 有临床分类——VUS（意义未明变异）是临床基因组学的最大瓶颈。

AlphaMissense 的方法论直接继承 AlphaFold：它不预测突变如何改变蛋白结构，而是利用相关蛋白序列数据库（MSA 演化信息）与变异的结构上下文，输出 0-1 连续致病性分。训练分两阶段：预训练与 AlphaFold 同构（MSA 中随机掩码位置的氨基酸重建 + 蛋白语言建模）；微调以人类蛋白为对象，标签为"人类与近缘灵长类群体中见过的变异 vs 从未见过的变异"——演化层面的弱监督。模型未在 ClinVar 变异上训练，保证了评估独立性。

覆盖与产出：对 19,233 个标准人类蛋白的全部 2.16 亿可能单氨基酸替换打分，其中 7,100 万为错义变异；89% 的错义变异被分类——57% likely benign、32% likely pathogenic（分类阈值在 ClinVar 上达到 90% precision）。性能：ClinVar 18,924 个变异 auROC 0.940（超过此前最优的 EVE 0.911）；ClinVar 612 基因 auROC 0.950；DDD 发育障碍 de novo 变异 auROC 0.809（与 PrimateAI 0.797 相当）；对 MAVE 深度突变扫描实验的预测一致性为同类最优（SHOC2 案例正确预测前 80 氨基酸的功能重要性）。

发布资源四件套：7,100 万错义变异目录、基因级平均致病性（约束度量，与 LOEUF 性质类似，对 4,252 个统计效力不足的小基因有泛化价值）、2.16 亿全替换目录、约 6 万可变剪接转录本的全错义预测。数据 CC BY 4.0，代码开源（模型权重按安全政策不公开），经 Google Cloud Storage（hg19/hg38 tabix TSV）、Ensembl VEP 插件与 UniProt/AlphaFold DB/DECIPHER/ProtVar 集成全通道开放。

§1.2 战略价值

VUS 海洋的首次全图绘制：2% 临床分类 → 89% 模型分类覆盖——不是"解决了 VUS"，而是给每一滴海水装上了温度计；变异优先级排序从"猜"变成"有先验"。
AlphaFold 范式的方法论迁移：AlphaFold 解决"序列→结构"，AlphaMissense 解决"序列+变异→效应"——同一套 MSA/语言建模骨架跨任务复用，是"基础模型横向迁移"的教科书案例。
MAVE 的廉价预演：深度突变扫描实验昂贵（每蛋白数万美元级）——AlphaMissense 与 MAVE 的一致性最高，可以先计算后实验，实验资源投向预测不确定区。
基因级约束的新工具：基因平均致病性与 LOEUF（功能缺失不耐受）性质类似但独立——对 LOEUF 统计效力不足的 4,252 个小基因提供了互补约束信号。
责任式发布的样本：数据 CC BY 4.0 全开放、代码开源、但模型权重按安全政策不公开——"开放成果、保守能力"的 AI 发布范式先例。

§1.3 同类数据集横向对比

工具	年代	方法	ClinVar auROC	特点
AlphaMissense	2023	AlphaFold 系 DL（MSA+语言建模）	0.940（全局）	全蛋白组覆盖、MAVE 最准
EVE	2021	无监督 VAE（MSA）	0.911	无监督、单蛋白模型
REVEL	2016	集成元预测	~0.93 口径	多工具融合、临床常用
CADD	2013+	全变异注释集成	~0.9 口径	全变异类型（不止错义）
PrimateAI	2018	灵长类保守性 DL	—（DDD 0.797）	灵长类演化标签
ESM-1v/2	2021+	蛋白语言模型零样本	~0.92 口径	无需 MSA、单序列
PolyPhen-2/SIFT	2000s	规则+保守性	~0.8	老一代、仍广泛内嵌

与 EVE 的差异：EVE 无监督（变异分布建模），AlphaMissense 有微调标签（演化见过/没见过）——后者在 ClinVar 全局与基因级都更高（0.940 vs 0.911；0.950 vs 0.921）。
与 CADD 的分工：CADD 覆盖全变异类型（含非编码/剪接），AlphaMissense 专注错义但深度更高——临床管线常两者并用。
2024-2026 格局：第三方基准中 AlphaMissense 仍居通用金标准梯队（post-2024 ClinVar 队列 AUC 0.952；42,684 ClinVar missense 0.942）；专用域 PLM 混合新模型开始局部超越——但全蛋白组预计算目录仍是独家资产。

§1.4 版本时间轴

时间	里程碑
2020-2021	AlphaFold 2 发布（Nature）；AlphaFold DB 全蛋白组结构开放——方法论底座成型
2023-09-19	AlphaMissense 论文线上发表（Science 10.1126/science.adg7492）；四类资源开放下载
2023-09-22	正式刊出；Marsh & Teichmann 同期 Perspective（10.1126/science.adj8672）
2023-2024	Ensembl VEP 插件上线；UniProt/AlphaFold DB/DECIPHER/ProtVar 逐步集成
2024-2025	独立基准持续验证（post-2024 ClinVar 队列仍居第一梯队）；专用域 PLM 混合模型开始出现
2025-05（约）	GitHub 仓库归档（archived）——不再活跃维护；预计算目录继续作为金标准被消费

§1.5 应用场景矩阵

场景	用什么	典型动作
罕见病外显子组优先级	am_class + am_pathogenicity	VEP 注释 → 变异排序 → 候选致病筛选
ACMG/AMP 证据辅助	am_class	PP3（计算证据支持致病）/ BP4（良性）
新致病基因发现	基因级平均分	高分基因 + 新发突变富集 → 候选基因
MAVE 实验设计	低置信区检索	预测 ambiguous 区 → 实验优先
癌症体细胞变异解释	am_pathogenicity	热点变异功能影响排序（辅助）
蛋白工程风险评估	全替换目录	单点突变稳定性/功能风险预筛
数据库集成	TSV/VEP 插件	本地注释管线/临床报告系统

§1.6 组件全景

变异级目录：7,100 万错义变异 ×（am_pathogenicity 0-1 + am_class 三分）——主消费资产；
全替换目录：2.16 亿单氨基酸替换（含同义/无义等）——研究用超集；
基因级约束：19,233 基因平均致病性——LOEUF 类约束度量；
isoform 扩展：约 6 万可变剪接转录本全错义预测——非 canonical 变异解释；
分发层：hg19/hg38 TSV.gz + tabix、Ensembl VEP 插件（am_pathogenicity/am_class 列）、UniProt 变体页、AlphaFold DB、DECIPHER、ProtVar；
代码层：GitHub/Zenodo 开源（JAX 实现；权重不公开）。

§1.7 两阶段训练方法速记

阶段一：预训练（AlphaFold 同构）
    蛋白序列 + MSA ──▶ 掩码氨基酸重建
    （学习"什么样的序列在演化上像真的"）

阶段二：微调（人类蛋白弱监督）
    标签 = 人类/近缘灵长类见过的变异（演化可容忍）
         vs 从未见过的变异（演化罕见→疑似有害）
    ──▶ 输出 0-1 致病性分

自蒸馏（self-distillation）过滤训练数据提升质量；
消融实验：两阶段均必要（去掉任一性能下降）；
关键理解：标签是"演化频率"不是"临床致病"——模型的临床相关性是"演化有害性 ≈ 功能有害性 ≈ 临床致病性"的近似链。

§1.8 文件格式速记

TSV.gz（tabix 索引）核心列（hg38 示例）：

#chr    pos     alt/ref      transcript        protein_change    am_pathogenicity  am_class
17      7676594 G/A          ENST00000269305   p.G245S           0.61...           likely_pathogenic

tabix 建索引：tabix -s 1 -b 2 -e 2 -f -S 1 AlphaMissense_hg38.tsv.gz；
Ensembl VEP 插件输出两列：am_pathogenicity（连续）+ am_class（三分）；
分类阈值：<0.3464 → likely benign；>0.5646 → likely pathogenic；之间 → ambiguous。

§1.9 独特视角：给"未知"定价的模型

AlphaMissense 的真正产物不是"分类标签"而是梯度：0.3464-0.5646 之间的 ambiguous 区才是实验价值的地图——分数贴着阈值的变异最值得 MAVE/功能实验。它把变异解释从"二分类问题"重新定义为"资源分配问题"：计算先给出全域先验，实验资源投向先验不确定的窄带。这个"AI 预演 → 实验聚焦"的流程正是后基因组时代 wet-lab/dry-lab 协作的新范式。

§2 医学与科学背景

§2.1 错义变异与疾病

错义变异是单核苷酸改变导致氨基酸替换的变异——蛋白编码变异的主体。疾病语义谱：直接致病的单基因突变（囊性纤维化 G551D、镰刀型贫血 E6V）、癌症驱动热点（KRAS G12 系列、TP53 DNA 结合域）、复杂疾病的风险叠加（2 型糖尿病等）。平均个体携带约 9,000 个错义变异——绝大多数中性，"哪些有害"是解释的核心难题。

§2.2 VUS 瓶颈的临床语义

已观察错义变异 400 万+，仅约 2% 有临床分类（ClinVar 等）；其中经专家详审至高置信的更低（约 0.1% 量级口径）；
ACMG/AMP 2015 框架下变异分级（pathogenic → benign 五档）依赖多证据链：人群频率、计算预测、功能实验、分离分析、等位数据；
VUS 是"证据不足"不是"无害/有害未知"——诊断回报率因此卡壳；
计算预测在 ACMG 中只能作 PP3（支持致病）/BP4（支持良性）辅助证据——AlphaMissense 的角色是"证据链一环"而非"裁决者"。

§2.3 变异效应预测器（VEP）的方法谱系

代际	代表	信号源	局限
第一代（2000s）	SIFT、PolyPhen-2	单序列保守性 + 物理性质	精度有限
集成代（2013-2016）	CADD、REVEL	多特征/多工具元学习	依赖上游工具质量
演化统计代（2021）	EVE	MSA 无监督生成模型	逐蛋白建模、覆盖受限
灵长类代（2018+）	PrimateAI	灵长类共保守	非编码偏好
基础模型代（2023+）	AlphaMissense、ESM 系列	MSA+语言建模+弱监督	标签近似、权重封闭

AlphaMissense 的位置：基础模型代的整合者——同时吃 MSA 演化与语言模型泛化，微调对齐到人类变异分布。

§2.4 MAVE 与计算预测的互验语义

MAVE（multiplexed assays of variant effect）深度突变扫描：一次实验测数千变异的功能效应——是致病性的"实验地面真值"（但测的是功能不是临床）。AlphaMissense 与 MAVE 的一致性为同类最优：

SHOC2 案例：正确预测前 80 氨基酸的功能重要性（63-74 位 pathogenic）——该区参与 Ras-MAPK 通路（MRAS-PP1C 复合体）；
语义边界：MAVE 测"蛋白功能效应"，ClinVar 收"临床关联"——两者高度相关但不等价；
互验流程：计算预测 → MAVE 验证 → ClinVar 提交——AlphaMissense 在链条前端提供优先级。

§2.5 基因级约束与 LOEUF 的互补

LOEUF（loss-of-function observed/expected upper bound fraction）度量基因对功能缺失的不耐受——来自 gnomAD 人群频率，统计效力受观察数限制。AlphaMissense 基因平均致病性：

与 LOEUF 在多种不耐受度量上性质一致；
独立信息源（演化序列 vs 人群频率）——两者结合提升约束估计；
关键增量：对 LOEUF 统计效力不足的 4,252 个小基因，AlphaMissense 十分位数性质保持一致——小基因约束的"补位工具"。

§2.6 癌症语义：驱动 vs 乘客

体细胞错义变异的海量观察（COSMIC 等）中驱动突变是少数。AlphaMissense 对 Cancer Hotspots 基准表现优异——语义上是"氨基酸位置的功能约束"排序：热点 ≈ 功能重要 ≈ 演化/结构上不可替换。注意：肿瘤体细胞预测与生殖系致病性是不同问题（选择压力不同）——文献中作为辅助信号使用，非直接互推。

§2.7 罕见病诊断工作流中的位置

外显子组/基因组测序 ──▶ 变异调用 ──▶ 注释（VEP + AlphaMissense/CADD/REVEL/ClinVar）
        │
        ├──▶ 排序：ACMG 证据合并（PP3/BP4 由计算预测贡献）
        ├──↘ 表型匹配（HPO）+ 遗传模式过滤
        ▼
候选变异清单 ──▶ 分离分析/功能实验 ──▶ 诊断结论

AlphaMissense 在注释层的价值：对没有 ClinVar 记录的变异提供先验——降低"优质候选被埋在 VUS 堆里"的概率。

§2.8 isoform 语义

主目录基于 19,233 个 canonical 蛋白；同一基因的可变剪接 isoform（约 6 万转录本）的错义变异另有预测发布。临床注释的常见坑：变异落在 isoform 特有外显子时，canonical 口径的预测不可用——需要转录本匹配（VEP 插件的 transcript_match=1 选项）或查 isoform 扩展目录。

§2.9 演化标签的生物学语义

“人类/灵长类见过的变异 = 可容忍"的隐含假设：演化时间尺度的负选择已过滤高害变异。偏差来源：近期正选择、奠基者效应、以及"演化可容忍 ≠ 无临床后果”（迟发疾病、现代环境交互）。这是所有演化标签方法（含 PrimateAI）的共同边界——临床解读时作为先验而非结论。

§3 数据集规格

§3.1 规格总表

项目	规格
名称	AlphaMissense
开发方	Google DeepMind
发布	2023-09（Science 10.1126/science.adg7492）
覆盖	19,233 标准人类蛋白 / 2.16 亿单氨基酸替换
主产物	7,100 万错义变异预测（89% 分类：57% benign / 32% pathogenic）
评分	am_pathogenicity 0-1 连续分
分类阈值	<0.3464 benign / >0.5646 pathogenic（ClinVar 90% precision）
性能	auROC 0.940（ClinVar 全局）/ 0.950（基因级）/ 0.809（DDD）
基因级产物	19,233 基因平均致病性（LOEUF 类约束）
isoform 产物	约 6 万可变剪接转录本全错义预测
分发	GCS（hg19/hg38 TSV.gz+tabix）/ Ensembl VEP 插件 / UniProt / AlphaFold DB / DECIPHER / ProtVar
数据许可	CC BY 4.0（© 2023 DeepMind；GCP ToS 约束下载通道）
代码	GitHub/Zenodo 开源；模型权重不公开
引文	Cheng et al. Science 2023（+ Ensembl VEP 若用插件）
官方入口	github.com/google-deepmind/alphamissense + console.cloud.google.com/storage/browser/dm_alphamissense

§3.2 数据发布口径的地图

静态快照属性：2023 年一次发布，无滚动更新——"版本"即论文版；GitHub 约 2025-05 归档后无新版本通道。
三套计数口径：2.16 亿（全替换）⊃ 7,100 万（错义）→ 89% 分类（6,300 万级）——引用必须指明层级。
57%/32% 的分母：是对"已分类的 89%"的划分（不是全库 7,100 万）——常见误读点。
蛋白计数：19,233（论文口径）；个别二手来源写 19,234——以论文为准。
临床分类比例：约 2%（有临床分类的观察变异）与约 0.1%（专家详审口径）并存——语境区分。
基因组构建：hg19（GRCh37）与 hg38（GRCh38）双版本文件——坐标口径不可混。

§3.3 DAIMS 数据AI就绪度评估

#	维度	指标	评分（1-5）	依据
1	A 可获得	免费获取	5	CC BY 4.0；GCS 直链无注册
2	A 可获得	获取流程	5	直链 wget + tabix；未覆盖预测邮件通道
3	A 可获得	分发格式	4	TSV.gz+tabix 标准化；格式单一（无 JSON/Parquet）
4	A 可获得	历史版本回溯	3	静态快照无版本演进；Zenodo 存档保留
5	D 文档	官方文档	4	论文+VEP 插件文档详尽；独立数据文档薄
6	D 文档	方法透明度	4	论文方法完整；权重不公开限制复现深度
7	D 文档	引用规范	5	论文 DOI 明确；VEP 联合引用要求清晰
8	I 互操作	标识符 FAIR	5	基因组坐标+转录本+蛋白改变三层标识
9	I 互操作	本体对齐	4	三分分类简单明确；无本体系统
10	I 互操作	跨资源整合	5	VEP/UniProt/AlphaFold DB/DECIPHER/ProtVar 全集成
11	M 元数据	参数元数据	4	分数+分类+阈值说明；置信区间无
12	M 元数据	版本元数据	3	静态单版；无滚动版本戳体系
13	S 可持续	治理机制	4	DeepMind 持续托管；仓库已归档维护停滞
14	S 可持续	资源持续供给	4	GCS 长期托管；无更新路线图

综合 59/70（4.2/5）——可及性与互操作是满分档（直链+全平台集成）；扣分在静态快照属性（无版本演进/权重封闭/维护归档）——这是"一次性科研发布"形态的典型画像。

§3.4 存储与计算需求

主文件体积：hg38 TSV.gz GB 级（7,100 万行级）——解压后数十 GB；tabix 随机访问是标准姿势（无需全解压）。
全量装载：pandas/duckdb 全量入内存 32-64 GB 可行；全替换目录（2.16 亿行）建议列存（Parquet）+ 分区。
VEP 管线：插件按变异查表——全外显子组（10 万变异级）分钟级；全基因组（千万变异级）小时级。
本地推理：权重不公开——本地重推理不可行；定制需求走 alphamissense@google.com。
合并分析：与 ClinVar/gnomAD 合并按基因组坐标 + 蛋白改变双键——注意转录本口径对齐（canonical vs MANE）。

§3.5 获取通道

GCS 直链：https://storage.googleapis.com/dm_alphamissense/AlphaMissense_hg38.tsv.gz（hg19 同目录）——wget 即可；浏览入口 console.cloud.google.com/storage/browser/dm_alphamissense。
Ensembl VEP 插件：AlphaMissense.pm——--plugin AlphaMissense,file=/path/to/AlphaMissense_hg38.tsv.gz；输出 am_pathogenicity/am_class；transcript_match=1 可只报匹配转录本。
UniProt：蛋白条目变体区展示 AlphaMissense 分数（逐变异）。
AlphaFold DB / ProtVar / DECIPHER：结构上下文与临床遗传平台的集成视图。
Zenodo：代码与数据的学术存档（论文 Data availability 指定）。
定制请求：未覆盖预测（非人/特定 isoform）与非商业需求——alphamissense@google.com。

§3.6 口径对齐表

数字	口径 A	口径 B	使用建议
变异数	7,100 万（错义）	2.16 亿（全部替换）	分清预测对象层级
分类率	89%（被分类的错义变异）	57%/32%（在 89% 内的划分）	分母不同勿混
蛋白数	19,233（论文）	19,234（个别二手口径）	以论文为准
临床分类	~2%（观察变异有临床分类）	~0.1%（专家详审口径）	语境注明
精度	90% precision（阈值设计目标）	auROC 0.940（全局排序能力）	precision 与 auROC 不同
基因组构建	hg38/GRCh38	hg19/GRCh37	坐标不可混

§3.7 版本选择纪律

只有一版：2023 论文版是唯一官方目录——不存在"最新版"选择问题，但要防"未来若有新版"的口径漂移。
构建一致性：分析管线统一 hg38 或 hg19——双文件并存时坐标转换（liftover）引入的损失要自查。
转录本口径：默认 canonical（ENST 编码转录本）；MANE Select 与 AlphaMissense 所用转录本的对应关系入方法节。
归档后果：GitHub 归档 ≠ 数据下线——GCS/Zenodo 继续可用；引用时注明"2023 版静态目录"。
与 ClinVar 快照对齐：评估复现时固定 ClinVar 快照日期——ClinVar 滚动更新会使指标微变。

§3.8 数据文件与字段详表

数据面	粒度	关键字段
AlphaMissense_hg38.tsv.gz	每变异一行	chr、pos、alt/ref、transcript_id、protein_id、protein_change、am_pathogenicity、am_class
AlphaMissense_hg19.tsv.gz	同上（GRCh37 坐标）	同上
基因级平均	每基因一行	gene、mean am_pathogenicity（约束度量）
全替换目录	每替换一行	同上（含同义/无义等非错义替换）
isoform 扩展	每 isoform 变异	非 canonical 转录本预测
VEP 插件输出	每注释变异	am_pathogenicity、am_class（默认列；cols=all 全输出）

§4 数据结构

§4.1 对象模型

AlphaMissense 输出体系
├── 变异级（主资产）
│     键：基因组坐标（chr-pos-ref-alt）+ 转录本
│     值：am_pathogenicity（0-1）+ am_class（三分）
├── 基因级（约束）
│     键：基因
│     值：平均致病性（≈ LOEUF 类不耐受度量）
├── 替换级（研究超集）
│     2.16 亿全部单氨基酸替换（含同义/无义）
└── isoform 级
      约 6 万可变剪接转录本的错义预测

关系：替换级 ⊃ 错义级；变异级按蛋白聚合 → 基因级

§4.2 下载与 tabix 索引（实战）

#!/usr/bin/env bash
# 1) 下载（hg38 主文件；hg19 同目录）
wget https://storage.googleapis.com/dm_alphamissense/AlphaMissense_hg38.tsv.gz
wget https://storage.googleapis.com/dm_alphamissense/AlphaMissense_hg19.tsv.gz

# 2) 建 tabix 索引（位置列索引；首次使用前必须）
tabix -s 1 -b 2 -e 2 -f -S 1 AlphaMissense_hg38.tsv.gz
tabix -s 1 -b 2 -e 2 -f -S 1 AlphaMissense_hg19.tsv.gz

# 3) 按区域快速抽取（TP53 区）
tabix AlphaMissense_hg38.tsv.gz chr17:7,600,000-7,800,000 | head -5

# 4) 全表统计（行数验证）
zcat AlphaMissense_hg38.tsv.gz | grep -vc '^#'   # 数千万级错义变异

§4.3 Ensembl VEP 插件注释（实战）

#!/usr/bin/env bash
# 安装插件
mv AlphaMissense.pm ~/.vep/Plugins/

# 基本用法：打印分数与分类（默认列）
./vep -i variants.vcf \
      --plugin AlphaMissense,file=/full/path/AlphaMissense_hg38.tsv.gz \
      --cache --offline

# 全列输出
./vep -i variants.vcf \
      --plugin AlphaMissense,file=/full/path/AlphaMissense_hg38.tsv.gz,cols=all

# 只报与 AlphaMissense 转录本匹配的注释（避免 isoform 错配）
./vep -i variants.vcf \
      --plugin AlphaMissense,file=/full/path/AlphaMissense_hg38.tsv.gz,transcript_match=1

§4.4 Python 批量解析与优先级排序

#!/usr/bin/env python3
"""外显子组变异 × AlphaMissense 分数 → 候选致病排序"""
import pandas as pd

# 读入 VEP 注释结果（TSV）——假设含 AM 列
v = pd.read_csv("vep_annotated.tsv", sep="\t", comment="#", low_memory=False)

# 三分分类 → ACMG 证据方向
def amg_direction(row):
    if row["am_class"] == "likely_pathogenic":
        return "PP3"          # 计算证据支持致病
    if row["am_class"] == "likely_benign":
        return "BP4"          # 计算证据支持良性
    return None               # ambiguous 不单独计证据
v["acmg_hint"] = v.apply(amg_direction, axis=1)

# 罕见 + 高分候选（示例过滤链）
rare = v[(v["gnomad_af"] < 1e-4) & (v["am_pathogenicity"] > 0.5646)]
top = rare.sort_values("am_pathogenicity", ascending=False).head(50)
print(top[["Uploaded_variation", "SYMBOL",
           "am_pathogenicity", "acmg_hint"]])

§4.5 基因级约束合并（与 LOEUF 对照）

#!/usr/bin/env python3
"""基因平均致病性 vs LOEUF：双约束信号合并"""
import pandas as pd

am_gene = pd.read_csv("alphamissense_gene_averages.csv")   # 基因级均值
loeuf   = pd.read_csv("gnomad_loeuf.tsv", sep="\t")        # gnomAD 约束

m = am_gene.merge(loeuf, on="gene", how="outer")
m["am_decile"]  = pd.qcut(m["mean_am"], 10, labels=False)
m["loeuf_rank"] = m["loeuf"].rank(pct=True)

# 双高约束基因（两边都极不耐受）——疾病基因富集区
dual = m[(m["am_decile"] == 9) & (m["loeuf_rank"] > 0.9)]
print("双高约束基因数:", len(dual))

# 小基因补位：LOEUF 缺失/低效（观察少）但 AM 分高
small = m[m["loeuf"].isna() & (m["am_decile"] >= 8)]
print("AM 补位小基因:", len(small))   # 论文口径：4,252 个小基因受益

§4.6 MAVE 对照验证（SHOC2 类分析）

#!/usr/bin/env python3
"""模型分数 vs MAVE 实验效应的一致性检查（逐蛋白）"""
import pandas as pd
from scipy.stats import spearmanr

mave = pd.read_csv("mave_shoc2_scores.csv")   # 实验效应（DMS）
am   = load_am_positions("SHOC2")             # 该蛋白各位置 AM 均分

j = mave.merge(am, left_on="position", right_on="aa_position")
rho, p = spearmanr(j["mave_effect"], j["am_pathogenicity"])
print(f"逐位置 Spearman ρ = {rho:.3f} (p={p:.1e})")

# 逐变异（替换级）一致性更严——论文口径：MAVE 一致性同类最优

§4.7 元数据与可复现指纹

import hashlib, json
fingerprint = {
    "tool": "AlphaMissense",
    "paper_doi": "10.1126/science.adg7492",
    "release": "2023 static catalogue",
    "genome_build": "GRCh38",
    "file_sha256": hashlib.sha256(
        open("AlphaMissense_hg38.tsv.gz", "rb").read()).hexdigest()[:16],
    "thresholds": {"benign": 0.3464, "pathogenic": 0.5646},
    "transcript_policy": "canonical only, transcript_match=1",
}
print(json.dumps(fingerprint, indent=1))

§4.8 下载校验与抽查脚本（实战）

静态目录的可信度建立在"可校验"上——下载即验证是第一道产线工序：

# 1) 下载主文件与索引
gsutil cp gs://dm_alphamissense/AlphaMissense_hg38.tsv.gz .
gsutil cp gs://dm_alphamissense/AlphaMissense_hg38.tsv.gz.tbi .
# （无 gcloud 时可用直链：wget storage.googleapis.com/dm_alphamissense/...）

# 2) 指纹入库
sha256sum AlphaMissense_hg38.tsv.gz | tee alphamissense_hg38.SHA256

# 3) tabix 抽查：TP53:75650212-7590856（GRCh38 口径需自行核对坐标）
tabix AlphaMissense_hg38.tsv.gz chr17:75650212-7590856 | head -3

# 4) 分布抽查：am_class 比例应在 57:32 量级（ambiguous 占其余）
zcat AlphaMissense_hg38.tsv.gz | awk 'NR>1 {c[$5]++} END {for (k in c) print k, c[k]}'

四步全过才算"下载完成"：指纹一致（防传输损坏）、索引可用（防断点截断）、热区可查（防内容错位）、分布符合预期（防拿错文件/错构建）。

§4.9 完整性清单

文件 SHA256 记录（静态库的"版本"就是文件本身）；
tabix 索引存在且可查（抽查 TP53/KRAS 区域）；
am_class 分布合理（benign:pathogenic ≈ 57:32 的比例量级）；
基因组构建与管线一致（hg38 管线吃 hg19 文件是静默灾难）；
转录本匹配策略声明（transcript_match 或 MANE 对齐）；
阈值常量入配置（0.3464/0.5646——不要硬编码散落各处）。

§4.10 数据血缘

上游输入                       模型                     下游输出
──────────                    ─────                   ─────────
UniRef 蛋白序列库（MSA） ──┐
AlphaFold 架构/训练法   ──┼─▶ AlphaMissense ──▶ 变异级预测（7,100 万）
人类+灵长类群体变异标签 ──┘   （预训练+微调）      ├─▶ 基因级均值（约束）
                                                  ├─▶ 全替换目录（2.16 亿）
                                                  └─▶ isoform 扩展（6 万转录本）

集成消费：Ensembl VEP 插件 / UniProt 变体页 / AlphaFold DB /
          DECIPHER / ProtVar / myvariant.info

§5 下游分析协议

§5.1 任务×资源速查表

任务	数据面	方法	输出
外显子组变异优先级	变异级分数	VEP 注释 + 过滤链	候选清单
ACMG 证据辅助	am_class	PP3/BP4 映射	证据条目
新致病基因发现	基因级均值	双约束合并 + de novo 富集	候选基因
MAVE 实验设计	ambiguous 区	阈值邻域检索	实验优先表
癌症热点解释	变异级分数	热点对照	功能影响排序
管线集成	TSV/VEP	tabix/插件	注释服务

§5.2 罕见病候选变异排序协议

变异调用与质控（VQSR/硬过滤）；
VEP 注释（含 AlphaMissense 插件、ClinVar、gnomAD 频率）；
硬过滤：罕见（gnomAD AF < 1e-4）+ 高影响预测（am > 0.5646 或 am_class = likely_pathogenic）；
表型对齐（HPO）与遗传模式过滤；
ACMG 合并：PP3 计入（不得单独定级）；ClinVar 已分类优先；
输出：候选清单 + 证据链文档（每个候选附 AM 分数与阈值上下文）。

§5.3 新致病基因发现协议

基因级均值 → 约束十分位；
与 LOEUF/pLI 合并 → 双约束基因集；
疾病队列 de novo/罕见变异富集 → 候选基因；
交叉验证：Constraint 双信号 + 表型一致性 + 生物合理性（通路）；
报告：明确"计算先验"属性——确认需功能/分离证据。

§5.4 MAVE 预演协议

目标蛋白 → AM 逐位置/逐替换分数；
识别 ambiguous 带（0.3464-0.5646）与高分矛盾区（文献冲突变异）；
设计 DMS 文库覆盖目标区（预算聚焦）；
实验后回填：模型-实验一致性（Spearman/AUROC）；
联合发布：预测+实验闭环（ClinVar 提交）。

§5.5 失败模式清单

把分类当诊断：likely_pathogenic ≠ 致病——ACMG 多证据缺失即违规；
构建错配：hg19 文件进 hg38 管线——坐标全错且无报错；
转录本错配：isoform 变异套 canonical 分数——transcript_match 关闭时的静默错误；
阈值乱用：自造阈值无 precision 依据——用官方 0.3464/0.5646；
ambiguous 丢弃信息：只留两分标签——分数梯度才是核心资产；
基准循环：用 ClinVar 调阈值又报 ClinVar 指标——论文阈值固定即无此问题；
基因级误读：平均分高 ≠ 每个变异高——位置异质性巨大；
版本漂移：ClinVar 快照不固定导致复现失败。

§5.6 校准与验证协议

已知阳性对照：ClinVar 高置信致病变异的 AM 分布（应集中于高分）；
已知阴性对照：gnomAD 高频变异（应集中于低分）；
阈值复现：官方阈值下 ClinVar precision ≈ 90%（双向）；
外部基准：MAVE 子集 Spearman/AUROC（对照论文口径）；
管线端到端：金标样本（GIAB）全流程回归。

§5.7 验证报告的最小模板

任何把 AM 分数写进临床或科研报告的场景，方法学段落至少包含以下六要素——缺一项即不完整：

资源版本：AlphaMissense_hg38.tsv.gz（2023-08-16 构建）+ SHA256 指纹；
转录本规则：canonical（MANE Select）主注释；transcript_match=1 的处理策略；
阈值口径：0.3464/0.5646（来源：Science 论文 ClinVar 90% precision 校准），ambiguous 的处理方式（呈报但不计分）；
工具组合：与 CADD/REVEL/SpliceAI 的共识规则（如"3 工具中 2 高分"）；
覆盖声明：注释率（应≈100% canonical 错义）、未命中原因（非错义/基因组重复区）；
边界声明：ACMG PP3/BP4 辅助证据定位、非人群特异性、祖先偏倚提示。

这六要素的本质是把"预测器"写成"测量仪器"——仪器需要型号（版本）、量程（阈值）、读数规则（转录本与 ambiguous）、以及误差声明（偏倚）。

§6 实证结果与方法学分析

§6.1 一次发布的实证结构

AlphaMissense 是"一次性全图发布"形态：无滚动版本、无增量更新。实证后果：所有下游引用共享同一稳定基线（复现友好）；但人群/功能数据持续演化而模型静止——2026 年的 ClinVar 已包含大量"事后"分类，跨时评估需注意数据穿越。

§6.2 与 EVE 的对比启示

EVE（无监督 VAE）0.911 → AlphaMissense 0.940 的提升来源：微调标签（演化见过/未见）提供了监督信号；MSA+语言建模双信号融合；全蛋白组统一模型（EVE 逐蛋白建模成本高）。方法论启示：无监督生成 + 弱监督对齐是"基础模型 + 领域先验"的高效配方。

§6.3 ClinVar 三档基准的实证细节

全局（18,924 变异）：0.940——排序能力的整体画像；
基因级（612 基因）：0.950——临床最相关的"同一基因内良恶分辨"（临床场景常在候选基因内比较变异）；
DDD（de novo）：0.809——真实诊断队列（含非热点、多样本噪声）的落地画像；与 PrimateAI（0.797）相当说明该场景接近演化标签方法的上限。

§6.4 MAVE 一致性的实证亮点

SHOC2 案例（Ras-MAPK 通路）：AlphaMissense 正确预测前 80 氨基酸的功能重要性——其中 63-74 位被 MAVE 判为 pathogenic。逐位置平均分与 MAVE 逐位置平均强一致——"模型确实学到了功能地形图"的证据，而非仅克隆 ClinVar 偏好。

§6.5 八个真实坑点

坑点 1：分类当诊断——likely_pathogenic 直译临床致病；ACMG 只允许 PP3。
坑点 2：分母误读——57%/32% 是 89% 内的划分；写"全库 57% 良性"是错的。
坑点 3：构建错配——hg19/hg38 文件与管线不一致；坐标静默错位。
坑点 4：转录本错配——isoform 变异套 canonical 分数；开 transcript_match=1。
坑点 5：阈值自造——自选截止无 precision 依据；用官方两阈值。
坑点 6：ambiguous 扔掉——只留二分标签丢梯度；分数本身是资产。
坑点 7：基因级当变异级——基因均值高不代表特定变异高；逐变异核对。
坑点 8：数据穿越——用 2026 ClinVar 复现 2023 指标不设快照；固定 ClinVar 日期。

§6.6 审稿人自查清单

[ ] 论文 DOI + 静态版声明（2023 目录）？
[ ] 基因组构建（hg38/hg19）与文件版本？
[ ] 阈值来源（0.3464/0.5646 官方）？
[ ] 转录本匹配策略（canonical/MANE/transcript_match）？
[ ] 分类与分数的使用方式（梯度 vs 标签）？
[ ] ACMG 证据边界（PP3/BP4）声明？
[ ] ClinVar 快照日期（若做评估）？
[ ] 引用含 Ensembl VEP（若用插件）？

§6.7 版本治理的方法学含义

静态目录的治理简单但脆弱：文件即版本（SHA256 指纹）；无更新通道意味着误差修复/覆盖扩展只能期待下一版（或第三方模型）。社区应对：把 AM 分数当"2023 先验层"而非"活数据"——与 ClinVar（活数据）的合并分析要显式分层时间语义。

§6.8 与 ACMG/AMP 框架的整合张力

ACMG 2015 框架早于深度学习预测器泛滥——PP3/BP4 的"计算证据"条目预设了"多工具共识"（如 ClinGen SVI 建议 ≥2 工具一致）。AlphaMissense 单工具高分不自动构成 PP3 强证据；整合指南（如 ClinGen 变异效应预测专家组）的更新应跟踪。张力本质：模型代际快于指南代际——使用时注明指南版本与工具版本。

§6.9 分数语义的解读纪律

0-1 分是"模型对致病性的概率化输出"，不是"人群中有害频率"也不是"临床命中概率"；
高分区（>0.5646）的 90% precision 是 ClinVar 口径——全库口径不可直接外推；
分数在家族内的比较（同一蛋白的不同变异）比跨家族绝对值更有意义；
ambiguous 不是"没用"——它是实验设计地图。

§7 AI 就绪指南与应用场景

§7.1 AlphaMissense 在医疗 AI 中的四种喂法

先验特征：变异级 am_pathogenicity 作为 ML 模型输入特征（致病性分类器/优先级排序器）；
弱标签源：高分/低分带做弱监督（规避人工标注瓶颈；注意标签噪声）；
约束信号：基因级均值并入基因选择/靶点优先级模型（与 LOEUF/pLI 融合）；
评测基线：新变异解释模型的对照基线（金标准梯队）。

§7.2 变异优先级管线实操配方

VCF → VEP（AM 插件 + ClinVar + gnomAD + CADD）
   → 硬过滤（罕见 + 高分 + 高影响）
   → ML 重排序（特征：AM 分数/CADD/保守性/域注释）
   → HPO 表型对齐 → 候选清单 → 人工审阅

§7.3 模型选型与迁移决策

模型	何时用	注意
逻辑回归 + AM/CADD 特征	小样本临床数据	特征标准化 + 校准
梯度提升排序	变异优先级	分数梯度（不用二分标签）
图神经网络（基因-变异图）	多信号融合	AM 作为节点特征之一
PLM 微调（ESM 系）	有算力+定制标签	注意与 AM 的基准对齐
集成（AM+CADD+REVEL+ESM）	稳健生产	工具相关性检查

§7.4 公平性：预测覆盖的祖先偏倚

训练标签来自人类+灵长类群体变异——gnomAD 等群体库的祖先构成（欧洲过采样）会渗入"见过/没见过"的先验。非欧洲人群的罕见变异更可能被标"没见过"，系统性偏向高分（假阳性偏置）。对策：按祖先分层评测；结合本地人群频率库（如 CN 基础数据库）；报告 per-ancestry 指标。

§7.5 任务×资源速查表

AI 任务	用法	关键字段	评测要点
致病性分类	特征	am_pathogenicity	跨时 ClinVar 快照
变异排序	重排序信号	分数梯度	NDCG/Top-k 命中
基因优先级	约束特征	基因均值	与 LOEUF 消融
VUS 重分类	弱标签	am_class + 频率	专家回评一致率
药物靶点安全	人源遗传约束	基因均值	OGT/动物表型对照
蛋白工程	替换级扫描	全替换目录	实验 validate 子集

§7.6 端到端案例：外显子组阴性的再挖掘

1) 案例：未确诊发育障碍患儿，初次外显子组报告阴性（VUS 堆积）
2) 重分析：VEP + AlphaMissense 重注释全部 missense VUS
3) 过滤：AM > 0.9 + 罕见 + 基因级约束双高 + HPO 匹配（癫痫+发育迟缓）
4) 候选：SCN1A 新错义变异 p.R1636Q（AM 0.97，ambiguous→高分带）
5) 证据合并：AM（PP3）+ 文献域注释（钠通道通道区）+ 新发突变确认
6) 结论：升级 likely pathogenic → 诊断确立（Dravet 综合征谱系）
7) 方法节：AM 静态版 + 构建 + 阈值 + 快照日期全声明

§7.7 报告模板：方法学段落骨架

错义变异致病性注释采用 AlphaMissense（Cheng et al., Science 2023,
doi:10.1126/science.adg7492）2023 年静态全蛋白组目录，GRCh38 构建
（文件 SHA256 <HASH>，下载日期 <DATE>）。注释经 Ensembl VEP 插件
完成（transcript_match=1）。分类阈值采用官方设定
（likely pathogenic >0.5646；likely benign <0.3464；两阈值对应
ClinVar 90% precision）。预测仅作为 ACMG/AMP PP3/BP4 计算证据，
不单独构成致病性判定。ClinVar 对照使用 2026-09 快照。

§7.8 成本与排期模板

阶段	工作	预算
周 1	下载 + tabix + VEP 插件集成	0.5 人日
周 1-2	注释管线 + 过滤链 + 对照验证	1-2 人日
周 2	ML 重排序/特征融合（可选）	2-4 人日
周 3	队列应用 + 证据链文档	1-2 人日
周 4	方法学写作 + 复现包	1 人日

§7.9 消融案例：计算证据对诊断率的影响

同一罕见病队列（示意性结论方向，以自算为准）：

仅 ClinVar 注释：已分类变异可直接报告——VUS 全部搁置；
- AM 高分过滤：候选数下降一个量级、诊断率提升（高分新候选浮现）；
- AM/CADD/REVEL 共识：PP3 证据更稳，但工具相关性与祖先偏倚需检查。

教训：计算预测的价值在"缩小搜索空间 + 提供证据方向"，不在"替代判断"。

§7.10 队列级批量注释产线（伪代码骨架）

把 AM 接入万人级外显子组/基因组队列时的产线骨架——三个阶段各自可并行：

# 阶段一：注释（bcftools + VEP 插件，按染色体分片）
# bcftools norm -f GRCh38.fa cohort.vcf.gz | \
#   bcftools +vep plugin AlphaMissense, \
#   --dir_plugins /opt/vepPlugins --offline -o annotated.vcf.gz

# 阶段二：抽取与规范化（PySpark 视角，本地用 pandas 同构）
def extract_am(row):
    csq = row["INFO_CSQ"]          # VEP 注释串
    for f in parse_csq(csq):
        if f["AM_pathogenicity"] not in ("", "."):
            yield {
                "variant": f"{f['chrom']}-{f['pos']}-{f['ref']}-{f['alt']}",
                "gene": f["SYMBOL"],
                "canonical": f["CANONICAL"] == "YES",
                "am_score": float(f["AM_pathogenicity"]),
                "am_class": f["AM_class"],   # likely_benign/ambiguous/likely_pathogenic
                "tier": tier_of(f["AM_pathogenicity"]),  # 官方阈值分箱
            }

# 阶段三：落表（供下游 AI/统计消费的列存）
#   am_annotations.parquet：variant/gene/canonical/am_score/tier
#   分区：gene → 便于基因级聚合；score 桶 → 便于快速过滤

产线要点：注释一次、处处复用（列存落表后 AM 分数即队列资产）；canonical 与 transcript_match 必须落表（否则下游无法复现选择）；tier 用官方阈值分箱并保留原始分数（下游可自行重切）。

§8 伦理、许可与合规

§8.1 许可与义务结构

资产	许可	义务
预测数据（TSV/集成平台）	CC BY 4.0（© 2023 DeepMind）	署名（引论文）
代码（GitHub/Zenodo）	开源（Apache 2.0 口径）	许可声明
模型权重	不公开（安全政策）	不可反向要求
下载通道	受 GCP ToS	遵守 Google 云条款
未覆盖预测	邮件申请（alphamissense@google.com）	非商业限定语

§8.2 引用与致谢模板

错义变异致病性预测来自 AlphaMissense（Google DeepMind）2023 年
静态目录（CC BY 4.0）。
引用：Cheng J, et al. Accurate proteome-wide missense variant
effect prediction with AlphaMissense. Science 2023.
doi:10.1126/science.adg7492.
（使用 Ensembl VEP 插件时联合引用 VEP 文献。）
免责：预测为理论建模，不构成医疗建议或临床诊断。

§8.3 国内合规路径

CC BY 4.0：科研/商业可用，署名义务履行；
数据为模型输出（非人类受试者数据）——不涉人类遗传资源出境审批；
临床场景边界：辅助生殖/产前诊断等临床使用需按医疗器械/临床检验法规评估——AM 官方定位明确"非临床诊断工具"；
产品集成（生信平台内置）：署名页 + 版本声明（2023 静态目录）+ 免责继承。

§8.4 商业使用边界

允许：商业生信管线集成、临床决策支持系统（作为证据参考）、衍生数据库产品（CC BY 4.0）；
边界 1：不构成医疗器械声称——产品不得以"AlphaMissense 诊断"为卖点；
边界 2：GCP ToS 约束下载通道的再分发方式（数据本体 CC BY 4.0 允许再分发附署名）；
边界 3：相关临时专利（63/415,117、63/479,653）覆盖的方法实现需独立评估——预计算数据的使用不受影响。

§8.5 合规台账最小模板

字段	示例
数据集	AlphaMissense 2023 静态目录（GRCh38）
下载 URL/日期	storage.googleapis.com/dm_alphamissense / 2026-09-20
许可	数据 CC BY 4.0；代码开源
署名方式	Cheng 2023 Science + VEP 联合引用
使用场景	外显子组注释模块（PP3 证据）
临床定位	非诊断工具声明
再分发	附许可文本 + SHA256

§8.6 责任式发布的治理语义

AlphaMissense 的发布策略是"三开一闭"：开放预测数据（CC BY 4.0）、开放代码、开放集成（VEP/UniProt/DECIPHER），关闭模型权重（防止生物滥用场景——如定向设计有害变异）。这是 DeepMind "开放成果、保守能力"框架的实践（同 AlphaFold DB 路线）。代价是学术复现深度受限（无法微调/蒸馏权重），收益是滥用地板。临时专利的存在提示后续可能有商业化路径——静态目录的 CC BY 4.0 是对学术社区的明确承诺。

§9 谱系与生态

§9.1 变异效应预测时间线

年份	事件
2001-2003	SIFT / PolyPhen-2（第一代保守性规则）
2013-2016	CADD / REVEL（集成元预测；临床管线标配）
2018	PrimateAI（灵长类演化标签）
2020-2021	AlphaFold 2（Nature）；EVE（无监督 VAE）；ESM 语言模型系
2023-09	AlphaMissense（Science）——全蛋白组预计算目录
2023-2024	UniProt/AlphaFold DB/DECIPHER/ProtVar/VEP 全集成
2024-2026	第三方基准持续验证；PLM 混合模型（域专用）局部超越；AM 仓库归档（~2025-05）

§9.2 术语表

术语	含义
错义变异（missense）	单核苷酸替换导致氨基酸改变的变异
VUS	意义未明变异（ACMG 分类中间档）
VEP（工具语境）	Variant Effect Predictor / 变异效应预测器
am_pathogenicity	AlphaMissense 连续致病性分（0-1）
am_class	三分分类（likely_pathogenic/likely_benign/ambiguous）
MAVE	多重化变异效应实验（深度突变扫描）
LOEUF	功能缺失不耐受上限分数（gnomAD 约束度量）
de novo variant	新发变异（父母不存在）
DDD	Deciphering Developmental Disorders（发育障碍队列）
MSA	多序列比对（演化信息源）
PP3/BP4	ACMG 计算证据条目（支持致病/支持良性）
自蒸馏（self-distillation）	模型对自身输出过滤以提升训练数据质量
ClinVar	NCBI 变异-临床意义公共档案
MANE Select	RefSeq/Ensembl 一致的代表性转录本

§9.3 资源选型决策树

需要变异致病性先验？
├─ 错义变异 ──▶ AlphaMissense（全蛋白组 + MAVE 最准）
│   ├─ 要全变异类型 ──▶ CADD（含非编码/剪接）
│   ├─ 要多工具共识 ──▶ REVEL / AM+CADD+ESM 集成
│   └─ 要无监督对照 ──▶ EVE / ESM 零样本
├─ 基因约束 ──▶ AM 基因均值 + LOEUF/pLI 合并
├─ 临床分级 ──▶ ClinVar（活档案）+ ACMG 框架（AM 只作 PP3）
└─ 新变异覆盖 ──▶ AM 静态目录（2023）+ 邮件申请 / PLM 本地推理

§9.4 与本库其他条目的关系

ClinVar 类条目：活档案 vs 静态先验——互补分层；
gnomAD 类条目：频率过滤与 LOEUF 约束——AM 基因级合并对象；
AlphaFold DB 类条目：同一方法论家族（结构 vs 变异效应）；
HPO 条目：表型对齐——排序管线的语义层；
UniProt 条目：变体区集成展示——官方消费入口之一。

§9.5 组合使用建议

AM + ClinVar + gnomAD：注释三件套（先验 + 档案 + 频率）；
AM + CADD/REVEL：多工具共识 PP3 更稳（ClinGen 建议方向）；
AM + HPO + 表型匹配：从变异优先级到候选基因的完整链；
AM 基因均值 + LOEUF：双约束发现小基因；
AM + AlphaFold 结构：高分变异回结构上下文（域/界面定位）。

§9.6 变异解释资源的生态角色

AlphaMissense 是变异解释的"全域先验层"：上游（序列库/群体变异）→ 一次性全图推理 → 下游（注释管线/临床工具/研究模型）。与 ClinVar（人工策展的活档案）构成"机器先验 × 人工确证"双轨——两者差距正是 VUS 的当前定义。

§9.7 预测器家族的光谱定位

无监督 ◀──────────────────────────▶ 强监督
EVE    ESM-1v   PrimateAI   REVEL   CADD   AlphaMissense
（单序列/MSA 统计）            （集成）  （演化弱监督+基础模型）
覆盖窄 ◀──────────────────────────▶ 覆盖全
EVE                ESM        AM（错义全域）  CADD（全变异类型）

§9.8 AlphaMissense 生态的圈层地图

圈层	成员	关系
核心	预测目录 + 开源代码	DeepMind 官方
方法层	AlphaFold 2（架构母体）/ ESM 系（同代方法）	方法论谱系
集成层	Ensembl VEP / UniProt / AlphaFold DB / DECIPHER / ProtVar / myvariant.info	官方合作分发
对照层	ClinVar（活档案）/ MAVE 数据库（实验真值）/ gnomAD（频率与 LOEUF）	校验与合并
消费层	临床注释管线 / 罕见病诊断工具 / AI 优先级模型 / 蛋白工程	终端应用

§10 资源导航与 FAQ

§10.1 官方资源导航

资源	URL
GitHub（代码）	https://github.com/google-deepmind/alphamissense
GCS 数据浏览	https://console.cloud.google.com/storage/browser/dm_alphamissense
hg38 直链	https://storage.googleapis.com/dm_alphamissense/AlphaMissense_hg38.tsv.gz
论文	https://doi.org/10.1126/science.adg7492
Perspective	https://doi.org/10.1126/science.adj8672
VEP 插件文档	https://ensembl.org/info/docs/tools/vep/script/vep_plugins.html
DeepMind 博客	https://deepmind.google/discover/blog/alphamissense/
ProtVar	https://www.ebi.ac.uk/protvar/

§10.2 关键文献

论文	价值	标识
Cheng 2023（主论文）	方法/基准/四类资源	Science; doi:10.1126/science.adg7492
Marsh & Teichmann 2023	临床边界警示	Science Perspective; doi:10.1126/science.adj8672
Jumper 2021（AlphaFold 2）	方法论母体	Nature 596:583-589
Frazer 2021（EVE）	无监督对照方法	Nature 596:491-495（同期口径）
Sundaram 2018（PrimateAI）	灵长类标签方法	Nat Genet 50:1052-1057
Richards 2026（第三方基准）	post-2024 队列对照	Front Genet（OtoVCE 基准）

§10.3 站内延伸阅读

ClinVar 变异-临床意义档案 — 活档案与静态先验互补（若已发布）
gnomAD 基因组聚合数据库 — 频率过滤与 LOEUF 合并（若已发布）
AlphaFold 蛋白结构数据库 — 同方法论家族
HPO 人类表型本体 — 排序管线的表型对齐层
UniProt 蛋白质数据库 — 变体区集成入口
COSMIC 癌症体细胞突变数据库 — 癌症热点对照（若已发布）

§10.4 FAQ

Q1：AlphaMissense 是什么？
Google DeepMind 2023 年发布的错义变异致病性预测模型——基于 AlphaFold 方法论，对人类蛋白组全部可能的氨基酸替换打 0-1 致病性分，7,100 万错义变异的静态预测目录。

Q2：覆盖多少变异？
19,233 个标准人类蛋白的 2.16 亿可能单氨基酸替换，其中 7,100 万为错义变异（全部有预测）；另有约 6 万可变剪接转录本的扩展预测。

Q3：分类结果是什么？
89% 的错义变异被分类：57% likely benign、32% likely pathogenic（这是已分类部分的划分）；其余 ambiguous。阈值（<0.3464 / >0.5646）在 ClinVar 上达到 90% precision。

Q4：性能如何？
ClinVar 全局 auROC 0.940（18,924 变异，超 EVE 0.911）；ClinVar 612 基因 0.950；DDD de novo 0.809（PrimateAI 0.797）；对 MAVE 实验的一致性为同类最优（SHOC2 案例正确预测功能区）。

Q5：训练数据是什么？
两阶段：预训练与 AlphaFold 同构（MSA 掩码重建 + 蛋白语言建模）；微调标签为"人类与近缘灵长类群体中见过的变异 vs 从未见过的变异"——演化弱监督。未在 ClinVar 变异上训练（评估独立性）。

Q7：怎么下载？
GCS 直链 wget（AlphaMissense_hg38.tsv.gz / hg19 同目录），tabix 建索引后随机访问；或经 Ensembl VEP 插件逐变异注释。

Q8：VEP 插件怎么用？
--plugin AlphaMissense,file=/path/to/AlphaMissense_hg38.tsv.gz；输出 am_pathogenicity（连续分）+ am_class（三分）；transcript_match=1 只报匹配转录本。

Q9：是临床诊断工具吗？
不是——官方明确"预测从未训练也从未打算用于独立临床诊断"；ACMG/AMP 框架中只能作为 PP3/BP4 计算辅助证据，不能独立定致病。

Q10：为什么模型权重不公开？
DeepMind 安全政策：“prevent use in potentially unsafe applications”（防止定向设计有害变异等滥用）——只开放预计算预测与代码，“开放成果、保守能力”。

Q11：57% benign 和 32% pathogenic 的分母是什么？
是"已分类的 89% 错义变异"的划分——不是全库 7,100 万的比例。常见误读点。

Q12：ambiguous 区有什么用？
0.3464-0.5646 之间的不确定带是实验设计地图——分数贴着阈值的变异最值得 MAVE/功能实验；把 ambiguous 全扔掉会丢失梯度信息。

Q13：和 CADD 怎么选？
AlphaMissense 专注错义、深度更高、MAVE 一致性最强；CADD 覆盖全变异类型（含非编码/剪接）——临床管线常并用。

Q14：和 EVE 的区别？
EVE 无监督逐蛋白建模（auROC 0.911）；AlphaMissense 有演化弱监督 + 全蛋白组统一模型（0.940/0.950）——监督对齐带来系统性提升。

Q15：基因级平均分是什么？
每个基因的变异分数平均——与 LOEUF（功能缺失不耐受）性质类似的约束度量；对 LOEUF 统计效力不足的 4,252 个小基因有泛化价值；与 LOEUF 合并更稳。

Q16：怎么用于罕见病诊断？
外显子组注释（VEP 插件）→ 罕见 + 高分过滤 → HPO 表型对齐 → 候选排序；AM 提供 PP3 计算证据与先验排序，最终判定须多证据链。

Q17：对癌症体细胞变异适用吗？
作为功能约束信号可用（Cancer Hotspots 基准表现优异）——但生殖系致病性与体细胞驱动是不同问题，不能直接互推。

Q18：isoform 变异有预测吗？
有——约 6 万可变剪接转录本的扩展发布；主目录是 canonical 蛋白；非 canonical 变异解释需单独核对（VEP 的 transcript_match=1 可防错配）。

Q19：数据会更新吗？
2023 静态目录，无滚动更新；GitHub 仓库约 2025-05 归档——新覆盖需求走 alphamissense@google.com；引用时注明"2023 版静态目录"。

Q20：hg19 和 hg38 文件怎么选？
与你的管线构建一致；混用会坐标静默错位；跨构建需 liftover 并自查损失。

Q21：准确率 90% 是什么口径？
90% precision 是分类阈值的设计目标（在 ClinVar 已知致病与良性变异上双向达成）——不是全库准确率，也不是 auROC（0.940 是排序能力）。

Q22：临床分类只有 2% 是什么意思？
已观察的 400 万+ 错义变异中约 2% 有临床分类（ClinVar 等）；约 0.1% 经专家详审至高置信——两个口径并存，语境区分。

Q23：训练标签为什么是"见没见过"？
演化视角的弱监督：人类与近缘灵长类共享的变异经过负选择过滤（可容忍），未见过的变异更可能有害——这是"演化有害性 ≈ 临床致病性"的近似链，有系统偏差（迟发疾病/现代环境）需注意。

Q24：有祖先偏倚吗？
有风险——群体库（gnomAD 等）欧洲过采样使非欧人群罕见变异更可能被标"没见过"，系统性偏向高分。对策：分层评测 + 本地人群频率库合并。

Q25：可以本地推理新变异吗？
权重不公开——本地推理不可行；未覆盖预测（非人物种/特定 isoform）邮件申请（alphamissense@google.com，非商业）；或用 ESM 系开源 PLM 作替代。

Q26：代码开源了什么？
模型代码（JAX 实现，GitHub/Zenodo）——用于理解与复现推理逻辑；不含权重所以不能重跑推理。

Q27：PP3/BP4 怎么映射？
likely_pathogenic → 支持 PP3（计算证据支持致病）；likely_benign → 支持 BP4（支持良性）；ambiguous 不计证据；多工具共识更稳（ClinGen 方向），单工具高分不自动构成强证据。

Q28：ClinVar 评估怎么防数据穿越？
固定 ClinVar 快照日期（论文时点或自选）——ClinVar 滚动更新会使跨时指标微变；复现论文口径需 2023 前快照。

Q29：怎么与 LOEUF 合并？
按基因合并两约束信号（双高十分位 → 高置信不耐受基因）；AM 对 LOEUF 缺失/低效的小基因补位（4,252 个）；合并比单信号稳健。

Q30：MAVE 是什么？为什么重要？
多重化变异效应实验（深度突变扫描）——一次测数千变异的功能效应，是模型一致性的"实验地面真值"；AlphaMissense 与 MAVE 一致性最优说明它学到的是功能地形图而非 ClinVar 偏好。

Q31：2024-2026 年有更好的模型吗？
专用域 PLM 混合模型（OtoVCE/MEVIT 类）在特定队列开始超越；通用错义解释中 AM 仍是金标准梯队（post-2024 ClinVar AUC 0.952 量级）；但全蛋白组预计算目录仍是独家资产。

Q32：商业产品能用吗？
能——CC BY 4.0 允许商用（附署名与许可文本）；产品不得以"诊断"为宣称（官方非临床定位）；GCP ToS 约束下载通道。

Q33：怎么引用？
Cheng J, et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science 2023. doi:10.1126/science.adg7492；用 VEP 插件联合引用 VEP；临床语境建议同时引 Marsh & Teichmann Perspective。

Q34：静态目录的"版本管理"怎么做？
文件即版本——记录 SHA256 + 下载日期 + 构建版本；无滚动更新所以无版本选择问题，但要防未来新版的口径漂移。

Q35：ambiguous 变异在 ACMG 里怎么算？
不单独构成 PP3/BP4——但分数本身可在报告附注中呈现（“计算预测不确定”）；结合其它证据再定。

Q36：一句话总结 AlphaMissense 的 AI-Ready 价值？
它把"每个错义变异都有先验"变成现实——全蛋白组静态地图 + MAVE 最准 + CC BY 4.0 全开放，是变异解释从"个案猜测"走向"全域计算"的分水岭资源。

Q37：AM 分数能直接给患者看吗？
不能单独呈现——它是群体统计先验，不是个体诊断结论；报告中的正确形态是"计算证据（PP3/BP4）+ ACMG 整合 + 临床解读"，且需专业遗传咨询陪同。

Q38：splice 区域变异 AM 覆盖吗？
AM 只管错义（氨基酸替换）；经典剪接位点±1/2 变异不在其范畴（用 SpliceAI）；但内含子/同义区的"深墙效应"变异中，凡改变氨基酸的仍被覆盖。

Q39：为什么权重不公开还称"AI-Ready"？
AI-Ready 指数据资产的可计算性（格式/许可/覆盖/口径），不是模型可复现性；权重封闭是发布者的安全选择，预计算目录反而让无 GPU 团队也能零成本使用最先进模型的输出。

Q40：怎么跟踪未来的更新？
官方仓库已归档（2025-05），无滚动发布计划；跟踪渠道：AlphaMissense 官网、DeepMind/GOOGLE 研究博客、UniProt 与 VEP 的集成版本说明；若出现新版，以 SHA256 区分新旧目录并重跑基准。

Q41：与 AlphaFold 蛋白结构是什么关系？
共享架构思想但产物不同——AlphaFold 预测结构（“长什么样”），AM 预测错义效应（“改了会怎样”）；两者互补：结构可辅助解读高分区是否落在活性位点/界面，但 AM 本身不依赖结构输入。

§10.5 要点回顾

定位：错义变异的全域先验——静态地图，不是诊断裁决。
三层口径：2.16 亿替换 ⊃ 7,100 万错义 → 89% 分类（57/32 是内部分母）。
性能坐标：0.940/0.950/0.809——全局/基因级/真实队列三档。
阈值官方：0.3464/0.5646（ClinVar 90% precision）——别自造。
演化标签：见过 vs 没见过——"演化有害 ≈ 临床致病"的近似链。
双许可一封闭：数据 CC BY 4.0、代码开源、权重不公开。
ACMG 边界：PP3/BP4 辅助证据——单工具高分 ≠ 致病。
转录本纪律：canonical 主目录 + isoform 扩展 + transcript_match=1。
祖先偏倚：训练群体构成渗入先验——分层评测。
静态治理：文件即版本（SHA256）——ClinVar 活档案要分层时间语义。

口径存照（数字均注明口径与来源，写入正文前已核对）

核心数字：19,233 标准人类蛋白 / 2.16 亿可能单氨基酸替换 / 7,100 万错义变异预测 / 89% 分类（57% likely benign + 32% likely pathogenic）/ 阈值 ClinVar 90% precision = Science 论文（10.1126/science.adg7492）+ EurekAlert 发布稿 + Inside Precision Medicine 报道
性能：ClinVar 18,924 变异 auROC 0.940（EVE 0.911）/ ClinVar 612 基因 0.950（EVE 0.921）/ DDD de novo 0.809（PrimateAI 0.797）/ Cancer Hotspots 与 ACMG 优于对照 / MAVE 一致性最优（SHOC2 前 80 氨基酸、63-74 位 pathogenic；Ras-MAPK/MRAS-PP1C 语境）= 论文（经科普中国资源服务与 news-medical 交叉核对）
训练方法：两阶段（预训练 MSA 掩码重建+语言建模 / 微调人类蛋白见过 vs 未见过标签）/ 自蒸馏过滤 / 消融两阶段均必要 / 不预测结构或稳定性 = 论文（经科普中国与 news-medical 交叉核对）
分类阈值：<0.3464 likely benign / >0.5646 likely pathogenic / 之间 ambiguous；“AlphaMissense was not trained on ClinVar variants” = Ensembl VEP 插件官方文档（AlphaMissense.pm）
许可：数据 CC BY 4.0（“AlphaMissense Database Copyright (2023) DeepMind Technologies Limited”）+ GCP ToS 约束 / 免责（理论建模、as-is、非医疗建议）/ 代码 github.com/deepmind/alphamissense + Zenodo / 权重不公开（“we will not be sharing model weights, to prevent use in potentially unsafe applications”）/ 临时专利 US Provisional 63/415,117、63/479,653 / 未覆盖预测 alphamissense@google.com = 论文 Data and materials availability + VEP 插件文档
四类资源：7,100 万变异目录 / 基因级预测（LOEUF 类比、4,252 小基因）/ 2.16 亿全替换 / 6 万 isoform = news-medical 论文解读（Data availability 四资源清单）
临床背景：平均人 ~9,000 错义变异 / 已观察 400 万+ / 约 2% 临床分类（0.1% 专家详审口径并行）/ VUS 瓶颈 = phys.org（AFP）+ Inside Precision Medicine + EurekAlert
集成生态：Ensembl VEP / UniProt / AlphaFold DB / DECIPHER / ProtVar / myvariant.info = VEP 文档 + synthszr 资料页 + SIB 培训材料
下载：console.cloud.google.com/storage/browser/dm_alphamissense；直链 storage.googleapis.com/dm_alphamissense/AlphaMissense_hg38.tsv.gz；tabix -s 1 -b 2 -e 2 -f -S 1 索引 = VEP 文档 + SIB 癌症变异培训页
GitHub 仓库约 2025-05 归档（archived，不再活跃维护；预计算数据仍为金标准）= SIB 培训材料 + synthszr 资料页
人物：第一作者 Jun Cheng（“predictions were never really trained or never really intended to be used for clinical diagnosis alone”）；Pushmeet Kohli（DeepMind 研究副总裁）；Marsh & Teichmann Perspective（“不要把标签与临床定义混淆”）= phys.org + EurekAlert + Science Perspective（10.1126/science.adj8672）
第三方基准（2024-2026）：post-2024 ClinVar 听力损失队列 AM AUC 0.952（CADD 0.941/EVE 0.932/ESM1b 0.919/PrimateAI 0.859）；42,684 ClinVar missense AM 0.942（REVEL 0.932）——"PLM 混合新模型局部超越"语境 = Frontiers in Genetics OtoVCE 基准（10.3389/fgene.2026.1880490）+ MEVIT 基准（zenodo 19549576）
批次口径差异：批次定义"19,234" vs 论文"19,233"——正文以论文为准（本存照标注）
阈值语义：0.3464/0.5646 为"ClinVar 上达到 90% precision 的双向截断"，非"风险分层界值"；ambiguous 区间（两者之间）无分类主张 = 论文 + VEP 插件文档交叉
覆盖细节：89% 分类占比中不含"人类未观察变异之外的非标准残基"；目录以 GRCh38/Ensembl 110 canonical 为基准坐标系 = VEP 文档 + SIB 培训材料
仓库状态：deepmind/alphamissense GitHub 仓库 2025-05 前后转为 archived（只读归档，issue 关闭）；数据分发通道（GCP bucket）不受影响 = GitHub 仓库页面 + SIB 培训材料交叉
分数物理意义：AM 输出为 0-1 连续"致病性先验概率"式分数，三档分类由两个官方阈值切分而来；分数跨基因可比性经 MAVE 一致性检验支持（但基因内相对排序仍是首选用法）= 论文正文与补充材料
与 AlphaFold 的边界：AlphaFold 回答"结构是什么"、AM 回答"错义效应多大"——AM 不以结构为输入、不预测稳定性变化（ΔΔG 类），两者结论不可互相推导 = 论文（“does not predict protein structure or stability”）+ Marsh & Teichmann Perspective
集成覆盖口径：UniProt/VEP/ProtVar 等集成展示的分数与官方 TSV 同源（2023-08 构建）；跨平台分数不一致时以官方 bucket 文件为准 = VEP 文档 + ProtVar 说明页