NUS · AI-ENABLED GENOMICS
同一个基因，为什么会产生不同的生命“说明书”？
NUS团队借助AI，追踪遗传变异如何改变RNA剪接并影响疾病
人类基因组中存在数以百万计的遗传差异。
其中大多数不会直接改变蛋白质的编码内容，却可能悄悄影响细胞读取和重组遗传信息的方式。
要判断一个变异是否与疾病有关，科学家不仅要看DNA上“写了什么”，还要理解细胞最终“读出了什么”。
新加坡国立大学（NUS）理学院药学与药理科学系Liu Boxiang助理教授及团队，近日获得Google.org Impact Challenge: AI for Science资助，将利用人工智能研究遗传变异如何影响RNA剪接，并进一步预测其疾病效应。
NUS是全球17家入选机构之一，
也是本轮入选名单中唯一来自亚洲的机构。
01｜先认识RNA剪接：细胞里的“剪辑工作”
DNA保存着遗传信息，但细胞通常不会直接拿DNA制造蛋白质。它会先把相关信息转录成一份RNA初稿。
这份初稿包含需要保留的片段，也包含需要移除的部分。细胞会把某些片段剪掉，再把剩余部分连接起来，这个过程就是RNA剪接。
同一份RNA初稿还可能采用不同的剪接组合，产生不同版本的成熟RNA，进而制造功能不同的蛋白质。
可以把基因想成一段待剪辑的影片素材。
保留哪些镜头、删除哪些片段、以什么顺序连接，都会影响最终成片。
如果遗传变异改变了剪接位置或调控信号，细胞可能跳过重要片段、保留本应删除的部分，或改变不同RNA版本的比例。这些变化有可能影响蛋白质功能，并参与疾病发生。
Liu Boxiang助理教授及其团队获得了“Google.org 影响挑战：人工智能为科学”项目的资助，研究遗传变异如何影响RNA剪接和疾病。
02｜真正的难题：每个变异都做实验，速度远远不够
研究人员可以在实验室中逐个测试某个遗传变异是否改变RNA剪接，但人类基因组的变异数量极其庞大，且不同人群的变异频率与遗传背景并不相同。
传统逐一验证的方法需要大量时间、样本和实验资源。许多在基因检测中发现的变异，因此仍然难以解释。
Liu助理教授团队希望建立AI预测模型，在群体尺度学习DNA序列、遗传变异与RNA剪接之间的规律。
模型的目标不是简单把变异分成“有害”或“无害”，而是预测：
● 哪一个RNA片段可能被跳过或错误保留
● 剪接模式可能发生多大变化
● 这种影响是否在不同人群中表现一致
● 哪些变异更值得进入下一步实验验证
03｜为什么要在“不同人群”中绘制图谱？
遗传研究长期面临一个现实问题：许多大型数据库中的样本来源并不均衡。
当模型主要从有限人群中学习，它对其他群体中较少见的变异可能不够准确。这不仅影响科学理解，也可能让基因研究成果难以公平地服务不同地区和族群。
NUS团队将绘制遗传变异如何在不同人群中调控RNA剪接的图谱，为AI驱动的变异解释建立基础设施。
群体尺度的研究有助于找出普遍存在的生物规律，也能识别可能受到遗传背景影响的差异，为后续更具代表性的基因组研究打下基础。
“覆盖更多人群”不等于自动消除偏差。
数据质量、样本规模、隐私保护和模型在独立人群中的验证，仍然决定研究结果是否可靠。
04｜AI能为基因组研究带来什么？
AI擅长从海量序列和生物数据中寻找复杂模式。训练完成的模型可以先对大量遗传变异进行计算筛选，帮助研究人员确定更值得优先投入实验资源的候选对象。
这可能让科研流程从“发现一个变异，再逐一摸索”转向：
第一步：AI预测变异可能怎样影响RNA剪接
第二步：实验验证最重要、最不确定的预测
第三步：结合生物机制和临床资料评估疾病关联
这种“计算预测＋实验验证”的组合有望提高研究效率，但AI并不能替代实验。模型可能学到数据偏差，也可能在训练数据之外失准，因此预测必须经过独立验证和生物学解释。
05｜这笔资助包含什么？
Google.org本轮“AI for Science”影响力挑战共选出17家机构，项目覆盖健康与生命科学、气候韧性及环境科学。
所有入选机构共同分享3600万美元资助。这个数字是17家机构的总额，并不是NUS单独获得的金额。
入选者还可选择参加为期六个月的Google.org加速器，获得工程支持、技术辅导和Google基础设施资源，帮助团队把研究构想发展为可扩展的科学工具。
NUS项目获选，也让亚洲人群与区域科研能力在这一全球AI科学计划中拥有重要位置。
06｜距离疾病诊断和治疗，还有多远？
理解RNA剪接与疾病之间的联系，未来可能帮助研究人员解释罕见变异、寻找疾病机制，并为精准医学提供新的候选线索。
但本项目当前的核心任务，是建立群体尺度的预测模型和基础研究图谱。它并不是一项已经进入临床使用的基因检测，也不能仅凭模型结果诊断疾病或决定治疗。
真正走向医疗应用，还需要实验验证、独立队列重复、临床关联研究、伦理审查及监管评估。
AI可以帮助科学家更快提出值得验证的问题，
但可靠的医学答案，仍需要证据一步一步建立。
Liu助理教授表示，科学研究正处在AI改变研究方式的重要转折点。对NUS团队而言，这项合作的价值不仅是运算速度，更在于构建一套可以从人群差异出发、连接基因变异与生物机制的新方法。
读懂基因，不只要看DNA写了什么，
还要理解细胞最终选择了怎样的表达方式。
