AlphaGenome Atlasとは｜DeepMindが90億のDNA変異を予測した無償マップ・AVIスコア・AlphaFold DBの30倍規模と使い方【2026年9月最新】

AlphaGenome Atlas（アルファゲノム・アトラス）は、Google DeepMindが2026年9月8日に公開した、ヒトゲノム上で起こりうる約90億通りの一塩基置換すべてについて、AIモデル「AlphaGenome」が予測した分子レベルの影響をあらかじめ全計算して収録した検索可能なデータベースです。 学術・非商用の研究利用は無償で、ブラウザから変異を1つ入力するだけで、自前のGPUもコードも使わずに予測結果を引けます。

ポイントは「モデルを配る」のではなく「推論結果を先に全部計算して配る」という発想です。AlphaFold → AlphaFold Database で起きたことが、タンパク質構造からゲノム調節領域へ広がった、と捉えると位置づけが掴みやすくなります。データ量は約1ペタバイト（PB）で、公式によればAlphaFold Databaseの30倍以上の規模です。

この記事でわかること

• AlphaGenome Atlasが具体的に何を収録しているのか（90億のSNV＋1億件超のインデル＋2,601種のモチーフ）
• 「90億」「22%増加」「AVIスコアが高い」がそれぞれ何を意味していないのか（誤解の潰し方）
• AVIスコアの読み方と、スコアの内訳が見える仕組み
• Webポータル／AlphaGenome API／Ensembl VEP／Google Antigravity の4つの使い方
• 学術無償と商用ライセンスの線引き、AlphaFold Databaseとの決定的な違い
• 臨床診断に使えない理由と、日本の研究者・企業が実務で注意すべき点

対象読者: 希少疾患やGWASのバリアント解釈に関わる研究者・バイオインフォマティシャン、製薬・受託解析で商用利用を検討している方、そして「AIがDNA変異を90億通り予測した」というニュースの正確な意味を知りたい方。

本記事は2026年9月11日時点で確認できるGoogle DeepMind公式ブログ、EMBL-EBI（Ensembl）の公式アナウンス、AlphaGenome公式ドキュメント、および主要メディア報道に基づいています。公開直後のリソースであり、商用提供の条件などは今後変更・追加される可能性があります。

AlphaGenome Atlasとは何か

出典: google-deepmind/alphagenome（GitHub公式リポジトリ）

ヒトゲノムの全一塩基置換に対するAI予測を、あらかじめ計算し終えた状態でカタログ化したもの——と捉えるのが最も正確です。 研究者が変異ごとにモデルを走らせる必要をなくし、検索するだけで結果が返る状態にしたのが最大の変化点です。

現時点で公式から確認できる基本情報を整理します。

Google DeepMindの科学部門VPであるPushmeet Kohli氏は公開にあたり、世界中のどの研究者でもブラウザを開くだけでヒトゲノムの包括的なマップにアクセスできる点を強調しています。逆にいえば、これまでは「計算資源とパイプラインを持つ研究室しか同じことができなかった」ということでもあります。

DeepMindによるAI for Science系のリリースは近年続いており、コーディングエージェントのAlphaEvolveや、オープンソース化された台風予測モデルWeatherNext Cyclonesと同じ系譜にあります。組織側の動きはGoogle DeepMindの体制刷新の記事でも整理しています。

「90億」「22%」「高スコア」の意味を正しく押さえる

このリソースは数字が一人歩きしやすく、報道の見出しをそのまま理解すると3か所で誤読が起きます。 実務で使う前に、ここだけは押さえておくべきです。

誤解1：「90億人分のDNAを解析した」ではない

ヒト参照ゲノムは約30億塩基対で、各塩基はA・T・G・Cのうち自分以外の3種類に置き換わりうるため、30億 × 3 = 約90億通りになります。つまり90億は「理論上起こりうる置換パターンの総数」であって、実在する人間の変異を90億件観測したという意味ではありません。

この「網羅的に全部計算した」という性質こそが価値の源泉です。どんなに珍しい変異が見つかっても、すでに答えが用意されている状態を作った、というのが本質になります。

誤解2：「22%」は疾患リスクの増加率ではない

University of Exeter の解析で報告された「22%増加」は、AVIスコアで変異を絞り込んだことにより、統計的に検出できた関連の件数が22%増えたという意味です。誰かの発症リスクが22%上がった、という話ではありません。

誤解3：AVIスコアが高い＝病気になる、ではない

AVIスコアが示すのは「その変異が分子レベルで何かを壊すとAIが予測した度合い」であり、発症の確率でも診断でもありません。DeepMindのゲノミクス責任者Žiga Avsec氏自身が、予測は下流の研究を正しい方向に導くには十分正確でも、普遍的な真理として扱うべきではないと明言しています。

ブリティッシュコロンビア大学のCarl de Boer氏も、単一の数値スコアには明確な用途がある一方で誤解されやすい、と指摘しています。スコア1つで結論を出さないという運用ルールを、チーム内であらかじめ決めておくのが安全です。

何が収録されているのか

出典: EMBL-EBI 公式サイト

Atlasは「AVIスコアの一覧表」ではなく、変異ごとに複数レイヤーの予測が積み上がったデータベースです。 公式および技術レポート系の情報から確認できる収録内容は以下のとおりです。

• 約90億通りの一塩基置換（SNV）の分子影響予測
• gnomAD / UK Biobank / All of Us 由来の1億件超のインデル（挿入・欠失）
• 数百のヒト・マウス細胞型／組織にわたる、実験条件別のスカラー予測（1変異あたり数千件規模。Unite.AIは約27,000件と報じていますが、公式ブログの表記は「thousands of predictions」です）
• 2,601種類の反復出現DNA配列モチーフのカタログ（細胞型特異的なマッピング付き）
• 各変異の AVIスコアと、その特徴量寄与（feature attribution）

注目すべきは、遺伝子発現だけでなく、スプライシング、クロマチンアクセシビリティ、転写因子結合、3次元ゲノム接触といった複数の分子プロセスに分解された予測が入っている点です。「壊れるかどうか」ではなく「どこがどう壊れると予測されたか」まで見られます。

90億件を全計算するのに何が必要だったか

素朴に全変異を推論すると計算量が非現実的になるため、初期の試算では約80倍の高速化が必要だったとされています。DeepMindはこれを、モデル蒸留・GPUカーネルの最適化・冗長な計算の排除によって達成したと説明しています。

「大規模モデルの推論結果を先に全部計算して配布する」というパラダイムは、モデル本体を配るより研究者にとって扱いやすい一方で、こうした推論最適化が前提になります。AI for Scienceが「研究成果」から「インフラ」へ移行しつつあることを示す例といえます。

AVIスコア（AlphaGenome Variant Impact score）とは

AVIスコアは、1つの変異の予測影響度を単一の数値に集約した指標です。 ゲノム全体を横断してランキングできることが最大の利点で、Atlasの入口になります。

何を組み合わせているか

AVIスコアは、次の要素を統合して算出されると説明されています。

報道ベースでは合計18個の特徴量によるランキングとされていますが、この内訳の数は公式ブログでは明示確認できていないため、参考値として扱ってください。

重要なのは、コード領域だけを見る従来の指標と違い、ゲノムの98%を占める非コード領域の調節影響を同じ土俵でスコア化している点です。疾患関連バリアントの多くが非コード領域に存在することを踏まえると、ここが実務上の差になります。

数値の読み方

Scientific Americanの報道によれば、AVIスコアは対数的なスケールで、AVI=10 がゲノム内で影響度の上位10%、AVI=30 が上位0.1%（1/1000）に相当するとされています。CADDのPhredスケールに近い感覚です。

ただしこの数値スケールはDeepMind公式ブログでの明示的な記載を確認できていないため、実際にフィルタリング閾値を設計する際は、公式ドキュメントとポータル上の表示を必ず確認してください。

スコアの内訳が見える

AVIスコアはブラックボックスの1数値ではなく、クロマチンアクセシビリティ／スプライシング／遺伝子発現／保存性／タンパク質への影響といった寄与に分解して表示されます。「なぜこのスコアなのか」を辿れるため、仮説を立てる材料として使えます。

単一スコアで足切りし、上位候補は内訳を見て機序の仮説を立てる、という2段構えの使い方が現実的です。

土台となるAlphaGenomeモデル

Atlasを理解するには、その計算元であるAlphaGenomeモデル自体の性質を押さえておく必要があります。 ここがAtlasの精度と限界をそのまま規定します。

「1Mbを1bp解像度で、複数モダリティ同時に」という組み合わせが、このモデルの技術的な核心です。従来は解像度を上げると視野が狭くなり、視野を広げると解像度が落ちるというトレードオフがありました。

なお、公開されているのはAPIとコードであり、モデル重みのフル公開ではありません。Apache 2.0はコード部分に対するライセンスであり、モデル出力の扱いは利用規約が優先します。オープンウェイトのモデルと同じ感覚で扱わないよう注意が必要です。

AlphaGenome Atlasでできること

「変異を1つ引く」から「バリアントリスト全体を優先順位付けする」まで、粒度の違う使い方ができます。 現時点で公式に確認できる主な機能は次のとおりです。

1. 変異単位の検索 — ブラウザで変異を指定すると、AVIスコアと予測される分子影響がすぐ表示される。コードも自前GPUも不要
2. 影響の内訳表示 — 遺伝子発現・スプライシング・クロマチンアクセシビリティ・転写因子結合・3D接触のどれが壊れると予測されたかを分解表示
3. リファレンス vs 変異アレルの比較 — ref/alt の予測トラックを並べて可視化
4. モチーフとの紐付け — 2,601種のDNA配列モチーフと変異を結び付け、どの調節配列を壊すかを確認
5. 大規模フィルタリング — GWASや希少疾患のバリアントリストを、AVI上位◯%に絞って優先順位付け
6. 既存ツール連携 — Ensembl VEPからAVIスコアを直接取得・フィルタリング
7. API／エージェント経由の自動化 — AlphaGenome APIやGoogle Antigravityのスキルとして解析ワークフローに組み込み

現場で最も効くのは5番と6番です。ウェットラボの実験リソースは有限なので、「どの変異から検証するか」の並べ替え精度が上がることの価値が大きいためです。

使い方：4つのアクセス経路

出典: Ensembl/ensembl-vep（GitHub公式リポジトリ）

目的とスキルセットによって、入口を選ぶのが最短です。 コードを書かない人からパイプラインに組み込みたい人まで、現時点で4通りの経路が用意されています。

1. Webポータル（コード不要）

公式ブログに記載されたポータル（alphagenome.google/atlas）にアクセスし、調べたい変異を指定すると、AVIスコアと分子影響の予測が表示されます。使い方の流れとしては、①変異を検索 → ②AVIスコアで全体の位置づけを把握 → ③内訳を見てどの分子プロセスへの影響が大きいか確認 → ④モチーフやref/altトラックで機序の仮説を立てる、という順番になります。

なお、対応するゲノムビルド（GRCh38 か否か）や一括ダウンロードの可否については、2026年9月11日時点で公式の明示を確認できていません。座標指定で引く場合は、ポータル上の表記を必ず確認してください。

2. AlphaGenome API（Python）

バッチ処理をしたい場合はPython SDKを使います。公式ドキュメントによれば、インストールは以下です。

pip install -U alphagenome

ローカルにリポジトリを置く場合は次のようにします。

git clone https://github.com/google-deepmind/alphagenome.git
pip install -e ./alphagenome

APIキーを取得し、Google Colabで使う場合はシークレットマネージャに ALPHA_GENOME_API_KEY という変数名で登録する運用が案内されています。システムのPython環境と衝突しないよう、miniconda や uv などの仮想環境の利用が推奨されています。

3. Ensembl VEP経由（既存ワークフローに乗せる）

日本語での言及がほとんどありませんが、実務者にとっては最も影響が大きい更新です。 EMBL-EBIは2026年9月9日、Ensembl VEP に AVIスコアを統合したと発表しました。

• コマンドライン版：データをダウンロードすることで、ハイスループットなバリアントアノテーションのワークフローにAVIスコアを組み込める
• Web版（ensembl.org/tools/vep）：AVIスコアが表示され、AlphaGenome Atlasの該当ページへのリンクから、スコアに影響した特徴量の詳細を確認できる
• 両方でAVIスコアや他の属性によるフィルタリングが可能

EMBL-EBIは、遺伝子の調節への影響を推定するツールは現時点で数が少なく、そのため非コード領域の変異評価においてAVIスコアの価値が大きいと説明しています。すでにVEPをパイプラインに組み込んでいる研究室であれば、Atlasのポータルを触らずともAVIを取り込めます。

4. Google Antigravity の「AlphaGenome Skills」

Googleのエージェント開発環境 Antigravity から、AlphaGenomeの機能をスキルとして呼び出せます。「この変異リストを優先順位付けして」といった指示をエージェントに渡し、解析手順そのものを任せる使い方です。Antigravity自体の導入や移行についてはAntigravity CLIの解説で整理しています。

研究ワークフローをAIエージェント側に寄せる流れは、Claude ScienceやGoogle Deep Research Maxにも共通しており、Atlasはその「参照できる知識ベース」側のピースにあたります。

料金・ライセンス：学術は無償、商用は別契約

出典: Google Cloud 公式サイト

学術・非商用の研究利用は無償ですが、商用利用にはGoogle Cloud経由の別ライセンスが必要です。ここがAlphaFold Databaseと最も違う点です。

Fortuneの報道によれば、DeepMindの子会社である創薬企業 Isomorphic Labs であっても商用ライセンスが必要とされています。製薬企業・バイオベンチャー・受託解析事業者が業務で使う場合は、「無償で使えるらしい」という前提で計画を立てないことが重要です。

価格や課金体系、提供開始時期は2026年9月11日時点で公表されていません。商用利用を前提に検討している場合は、Google Cloud側の続報を待つ必要があります。創薬・製薬領域でのAI活用の全体像は製薬・バイオテックのAI活用事例や製薬メーカーのAI活用事例にまとめています。

さらに利用規約上、出力を他の機械学習モデルの学習に使うことは禁止されています。Atlasの予測結果を教師データにして自社モデルを作る、という使い方は想定されていません。

AlphaFold Databaseとの違い

出典: google-deepmind/alphafold（GitHub公式リポジトリ）

「AlphaFoldのゲノム版」と説明されることが多いですが、規模・精度・ライセンスの3点で性格が異なります。 既知の概念に引きつけて理解する際、ここを取り違えると判断を誤ります。

FortuneとScientific Americanはいずれも、Atlasは規模ではAlphaFold Databaseを大きく上回るものの、精度ははるかに低いと明記しています。これは開発が甘いという話ではなく、扱う問題の難易度が違うためです。タンパク質構造は物理法則に強く制約されますが、遺伝子調節は細胞型・組織・環境によって挙動が変わり、正解データそのものが不均一です。

したがってAtlasの正しい使い方は「答えを引く」ではなく、「実験する順番を決める」です。

従来のバリアント予測手法との位置づけ

AVIスコアの新しさは、コード領域と非コード領域を1つのスコアで横断できることにあります。 一方で、すべてのベンチマークで最良というわけではありません。

技術レポート（bioRxivプレプリント）ベースでは、バリアント病原性や希少疾患のベンチマークの多くでbest-in-classとされ、特に非コード変異での伸びが大きいと報告されています。一方で、5'UTRのClinVarタスクとTraitGymの非コードタスクでは他手法が僅差で上回るという報告があり、「全勝」ではありません。

実務的には、AVIを既存スコアと置き換えるのではなく、並べて使うのが現実的です。特に非コード領域を扱う場合は、AVIを追加することで拾える候補が変わります。

実際に何が見つかったのか（実証事例）

公式ブログでは、すでに2件の具体的な成果が示されています。 どちらも「AIが診断した」ではなく「見落としを再浮上させた」という性質の結果です。

Broad Institute：未解決のてんかん性脳症コホート

未解決だった てんかん性脳症の814症例のコホートに対してAtlasを適用したところ、それまで見逃されていた DNM1遺伝子のスプライス変異が再び上位に優先付けされ、実験的なスクリーンで検証に成功したと報告されています。

既存のパイプラインで一度は落とされた変異が、非コード／スプライシングへの影響という別の軸で拾い直された、という構図です。

University of Exeter：UK Biobankの大規模解析

UK Biobankの 54,189人・2,028種のタンパク質を対象とした解析で、希少な非コード変異の集約解析にAVIによる絞り込み（上位1%の変異へのフィルタ）を組み合わせた結果、有意な関連の検出件数が22%増加し、BMIに関連する19のゲノム領域が新たに同定されたと報告されています。All of Usコホートでの再現では、25件中4件が有意水準に到達しています。

再現率の数字も含めて公開されている点は、期待値の調整として重要です。すべてが再現するわけではありません。

なお、希少疾患のケースで「真の原因変異を上位50候補以内に入れた率が29.5%」という数値も報じられていますが、こちらは一次情報での確認が取れていないため、技術レポートベースの参考値として扱ってください。

限界と注意点：できないこと

Atlasは「ヒトゲノムの答え」ではなく、「実験の順番を決めるための仮説生成器」です。 公式免責と専門家コメントから確認できる制約を整理します。

臨床診断には使えない

公式は明確に、AlphaGenome Atlasが提供する情報は専門的な医療上の助言・診断・治療の代替を意図したものではないと免責しています。臨床的な検証・承認を受けたリソースではなく、あくまで研究用です。患者や家族への説明、診断根拠、治療方針の決定にそのまま使うことはできません。

臨床現場でのAI利用は別の規制・検証プロセスの世界です。その線引きは医療・病院のAI活用事例やChatGPT for Cliniciansの解説で扱っています。

予測は事実ではない

AVIスコアは「AIがそう予測した」以上のものではありません。高スコアでも実際には何も起きない変異があり、低スコアでも影響のある変異があります。

一塩基置換が中心

多くの疾患は複数の変異の組み合わせや、構造変異、環境要因が絡んで起こります。単一変異の影響予測だけでは全体像を説明できません。インデルは1億件超が収録されていますが、SNVのような網羅性はありません。

視野（field of view）の限界

AlphaGenomeが一度に見るのは変異周辺の約100万塩基対です。それより遠方から作用するエンハンサーの影響は捉えられない可能性があります。長距離の調節関係を検討している場合、この制約は直接効いてきます。

学習データの偏りと欠落

• 学習に使われていない細胞型・組織の挙動は反映されない
• ポリA鎖を持たない非コードRNAは捉えられない
• 実験データのカバレッジが不均一で、モダリティや組織によって信頼度が異なる
• 間接的な調節効果（他の遺伝子を介した影響）は捉えにくい
• 訓練・検証データが米英中心のコホートに偏っており、多様な遺伝的祖先集団での性能評価は今後の課題

最後の点は、日本人集団を対象とする研究では特に留意が必要です。参照ゲノム上の全置換を計算しているという性質上、集団特異的なハプロタイプ構造や頻度分布はスコアに反映されません。

出力の再利用制限

利用規約上、出力は非商用に限られ、他の機械学習モデルの学習に使ってはならないとされています。

日本の研究者・企業が実務で押さえるべき点

日本での利用にあたっては、①個人ゲノムデータの取り扱い、②倫理審査、③商用ライセンスの3点を分けて考える必要があります。

患者データを外部に送る必要があるか

Atlas自体は参照ゲノム上の事前計算結果を引くだけなので、「rsIDや座標で変異を検索する」使い方であれば、患者本人のゲノムデータを外部に送信する必要はありません。この点は、外部APIに配列を投げる解析とは性質が異なります。

一方で、AlphaGenome APIに独自の配列や患者由来のバリアントリストを投げる場合は話が変わります。日本の個人情報保護法上、ゲノムデータは「個人識別符号」に該当し得るため、匿名加工・同意範囲・第三者提供の整理が必要です。

倫理審査と所属機関のルール

ヒトゲノム・遺伝子解析研究に関する指針や、所属機関の情報セキュリティポリシーに照らして、外部クラウドサービスへのデータ送信可否を事前に確認してください。「無償だから」「AIツールだから」で例外にはなりません。

商用利用の線引き

製薬企業の社内研究、受託解析サービス、臨床検査事業などは商用利用にあたる可能性が高く、無償の学術利用の範囲外です。Google Cloud経由のライセンス条件が公表されるまでは、業務プロセスへの本格的な組み込みを確定させないほうが安全です。

こんな人におすすめ

Atlasが最も効くのは「候補が多すぎて、どれから検証するか決められない」状況です。

おすすめしない人・使うべきでないケース

よくある質問

Q. AlphaGenome Atlasは誰でも無料で使えますか？
学術・非商用の研究利用であれば無償です。商用利用にはGoogle Cloud経由の別ライセンスが必要で、価格や提供開始時期は2026年9月11日時点で公表されていません。

Q. AlphaGenomeモデルとAlphaGenome Atlasは何が違いますか？
AlphaGenomeは変異の影響を予測するAIモデル本体、AtlasはそのAlphaGenomeで90億通りの一塩基置換をあらかじめ全計算した結果を収めたデータベースです。モデルは自分で走らせる必要がありますが、Atlasは検索するだけで結果が得られます。

Q. モデルの重みは公開されていますか？
現時点で公開されているのはAPIとコードであり、モデル重みのフル公開ではありません。コードはApache 2.0、ドキュメントはCC-BY 4.0ですが、モデル出力の扱いは利用規約が優先します。

Q. 自分や家族の遺伝子検査結果を入力して意味がありますか？
おすすめしません。公式が医療上の助言・診断・治療の代替ではないと明記しており、AVIスコアは発症確率を示すものではありません。健康上の懸念は医療機関や遺伝カウンセラーに相談してください。

Q. AVIスコアはいくつ以上が「危ない」のですか？
絶対的な閾値は設定されていません。Scientific Americanの報道によれば10で上位10%、30で上位0.1%という対数スケールですが、この数値スケールは公式ブログでの明示を確認できていません。運用上は「上位◯%に絞る」という相対的な使い方が基本です。

Q. どのゲノムビルドに対応していますか？
2026年9月11日時点で公式の明示を確認できていません。座標指定で検索する場合は、ポータル上の表記を必ず確認してください。

Q. データを一括ダウンロードできますか？
約1PBという規模もあり、一括配布やBigQuery提供の有無は現時点で確認できていません。大量処理が必要な場合は、AlphaGenome APIまたはEnsembl VEPのコマンドライン版が現実的な選択肢です。

Q. 他社のゲノム向けAIとどう違いますか？
OpenAIのGPT-RosalindやAnthropicのClaude Scienceが「研究を進めるAIエージェント／推論モデル」であるのに対し、AlphaGenome Atlasは「引くための静的なデータベース」です。競合というより、エージェントが参照する知識ベース側に位置します。

まとめ

AlphaGenome Atlasは、ヒトゲノムの全一塩基置換に対するAI予測を先に全部計算し、誰でも検索できる形にした約1PBのデータベースです。 学術利用は無償で、計算資源を持たない研究室でもブラウザから使えます。

要点は次の6つです。

• 「90億」は理論上の全置換パターン数であり、実在する人の変異を90億件観測したわけではない
• AVIスコアはコード領域と非コード領域を横断して比較できる単一指標だが、発症確率でも診断でもない
• 使い方はWebポータル／API／Ensembl VEP／Antigravityスキルの4経路。既存ワークフローに乗せるならVEP統合が最短
• 規模はAlphaFold Databaseの30倍以上だが、精度はAlphaFoldほどではないと公式・報道ともに明言している
• 商用利用はGoogle Cloud経由の別ライセンスが必要で、条件・価格は未公表
• 臨床診断には使えない。視野は約1Mb、単一変異中心、学習データの偏りという制約がある

「答えを引くツール」ではなく「実験する順番を決めるツール」として使うのが、現時点で最も正確な捉え方です。ウェットラボの検証リソースが有限である以上、優先順位付けの精度が上がること自体に大きな価値があります。

DeepMindのAI for Science系の取り組み全体はAlphaEvolveの解説、実験自動化との接続はAnthropic Model Hardware Standard、学術向けAIの提供動向は研究者向けChatGPT無償提供もあわせて参考にしてください。