当AI开始“读基因”，谁来给模型喂更干净的基因组数据？

撰文丨王聪

编辑丨王多鱼

排版丨水成文

近日，在蒙特利尔落幕的美国人类遗传学年会（ASHG 2026）上，一个信号被反复放大——基因组学的下一程，不在“测得更多”，而在“测得更准、读得更深、算得更聪明”。

而把这个观点钉在现场的，是两家头部分析力量的同台验证——Google Research的DeepVariant团队和变异检测算法头部厂商Sentieon。他们不约而同地用了华大智造/Complete Genomics 的DNBSEQ测序平台，特别是CoolMPSSE600长读长模式下产出的数据，交出了让人眼前一亮的结果。

AI4S 的真相：算法再强，也怕“脏数据”

过去两年，AI for Science（AI4S）、AI for Biology 的浪潮把整个生命科学卷进了新阶段。

大家突然发现，瓶颈不再是“有没有模型”，而是：

• 测序仪每天吐出海量基因组数据，可复杂区域（同源重复、串联重复、假基因、节段重复）依然读不清；

• 线性参考基因组带来参考偏倚，算法再深也绕不开底层比对错误；

• 泛基因组+深度学习已成共识，但喂给模型的原始数据质量，直接决定天花板。

因此，AI 模型的“眼睛”够不够“亮”，取决于测序数据够不够“干净”。而这一次，“干净数据”的起点，来自华大智造。

Sentieon 现场报告：CoolMPSSE600 重新定义“短读长”

在 ASHG 2026 Complete Genomics 展台，Sentieon发布了基于 DNBSEQ平台的 CoolMPS SE600（单端 600bp、PCR-free WGS）的 DNAscope Pangenome 管线结果。

先说几个关键数字（HG002，NIST v5.0q T2T 基准）：

• 总 SNP+Indel 错误数 29124，即总错误数低于 3 万；

• 全基因组F1：0.9968；

• SNP F1：0.9982，Indel F1：0.9917

再看横向对比（同一 HG002 样本）：

A：SE600 + SE600专用模型，总错误数 29124；

B：SE600 + Illumina模型，总错误数 38005；

C：Illumina PE150 35x + Illumina 模型，总错误数 58259。

也就是说，同样 40x 左右数据量，DNBSEQ 平台 CoolMPS SE600 相比 Illumina PE150 短读长，总错误数直接砍半。而这一半的差距里，68% 来自缺失的 Indel——尤其是长同源重复、长均聚物区域。

为什么是“600bp 单端读长”改变了局面？

传统PE150（双端测序模式，每条片段从两端各读取 150bp），一条读对最长覆盖 300 bp，中间还有未测插入段（插入片段平均长度 200~400bp）。

而CoolMPS SE600是一条连续 600bp 的单端读长。别小看这多出来的长度，它解决的是基因组数据里最“脏”的地方——

• 节段重复区：读长够长，才能跨过去、唯一比对；

• 长均聚物（≥21bp）：Illumina 常软剪切或止步，SE600 相比 Illumina 跨越长均聚物为 26:4；

• 多拷贝基因家族（例如 GOLGA8N 四拷贝）：Illumina 常把其他拷贝当本体，SE600 重新比对后完整分辨编码变异；

• 参考基因组“假重复区”（例如 KCNE1）：GRCh38 里多出的假拷贝，线性比对全乱；泛基因组+长读长直接归零错误。

在 CMRG（273 个医学相关基因）基准里，CoolMPSSE600——

• SNP 漏检：减少 59.2%；

• Indel 漏检：减少 49.4%；

• SNP 假阳性：减少 53.8%。

对肿瘤科、遗传病、心电相关基因来说，这不仅仅是“指标好看”，更是临床可读性的质变。

Google AI 同场背书：泛基因组+深度学习，错误再降一档

在 ASHG 2026，Google Research 的Andrew Carroll在现场 CoLab 报告里给出另一组佐证——基于 DNBSEQ 数据训练的DeepVariant泛基因组模型，在 NIST v5.0q T2T基准上，HG002 错误数低于 5 万，比传统线性流程减少超50%。

他在报告中给出的关键点很直接——更干净的原始数据产出更高质量模型；泛基因组图结构消掉线性参考偏倚；开源、可规模化，任何实验室都能跑。

Google Research 用 AI 证明了，DNBSEQ 测出来的数据，是“AI-native”的。而 Sentieon 用工程化管线证明了，这套数据，能在生产级流程里稳定交付。

值得一提的是，相较于此前 Google Research 联合华大智造在预印本平台 bioRxiv 发表的，此次 ASHG 2026 现场，DNBSEQ + CoolMPS SE600 + 专用新模型，变异检测精度进一步提升。

AI4S 时代，华大智造在做什么？

我们回到更宏大的叙事。

当行业都在谈虚拟细胞、细胞大模型、AI CRO、自进化实验室...这些故事的底层，只有一个硬需求——持续、可靠、可溯源、可计算的高质量生命数据。

华大智造给出的不只是仪器，而是一整套底座——

• SEQ ALL 全读长测序：短读长（DNBSEQ）、长读长（CycloneSEQ纳米孔）全覆盖；

• CoolMPS 600 长读长化学：把复杂区域从“测不到”变成“测得清”；

• DNBSEQ-T7+ 规模引擎：单日 14Tb+，把百美元基因组推向人群级；

• PanVariants / DeepVariant / Sentieon 生态：完美适配下游高精度数据分析工具；

• GLI 智能自动化+Omics多组学：从样本进、结果出，到数据回流模型；

• GenoriaAI涌生智能：为 AI 智能体科学发现构建真实世界的强化学习环境。

这才是在AI4S里真正的“物理入口”：不是只卖一台测序仪，而是给 AI 提供“生产真理”的工厂。

数据的质量，决定AI的高度

ASHG 2026 这一年，行业记住的不会是“又增加了一点点读长”。而是这样一个事实——当 Google 的模型和 Sentieon 的算法，都选择在 DNBSEQ 数据上交出最佳成绩，那么，测序仪的竞争，已经从“通量/成本”卷到了“数据可计算性”。

未来将属于两套能力合流——上游：把复杂基因组区域测干净（测序层）；下游：把干净数据变成可解释变异与模型资产（AI 算法层）。

华大智造要做的，是把这条链路收拢成一套硬核、可靠、开放的基础设施：让 AI 模型有更清的眼睛，让科学家有更稳的铲子，让每一个碱基都值得被 AI 模型信任。