没有实验室和经费，一个00后用AI就把基因测序的价格打下来了

2003年，人类第一次完成全基因组测序，前后用了13年，投入大约27亿美元。

现在，一个00后年轻人，没有自己的专业实验室，也没有几百万美元的科研经费，就在家里的餐桌上，用一套相对便宜的设备配合AI工具，完成了一次个人全基因组测序。

他给出的成本是1100美元。

从27亿美元到1100美元，两者相差大约245万倍。

这件事真正值得关注的地方，还不只是价格降了多少，而是他为什么一定要自己做这件事。

这个年轻人叫SAS，这里简称小S。他的姐姐长期患有一种罕见免疫疾病，看病时间超过十年，也去过不少大型医院，但始终没有找到明确病因。

对于很多罕见病患者来说，真正困难的地方就在这里。

症状确实存在，各种检查也做了很多，但常规医学检测始终无法确定到底是哪一个环节出了问题。没有明确病因，后面的诊断、治疗和药物选择都会受到影响。

小S不愿意继续等。

他的教育背景并不普通。他拥有牛津医学博士背景，同时又接受过帝国理工机器学习方向的博士训练。医学和人工智能正好都是他熟悉的领域。

为了继续追查姐姐的疾病原因，他把目标放到了基因上。

问题也很现实。

传统意义上的高质量全基因组测序，并不是买个仪器插上电脑就能完成。

2003年那次人类基因组计划，需要国际团队协作13年，耗资27亿美元。随着技术发展，今天普通基因检测的费用已经大幅下降，一些标准化测序项目几千美元就可以完成。

但罕见病比较麻烦。

很多商业检测流程主要针对已经比较明确的区域和变异类型。如果真正的问题出现在常规检测覆盖不足的位置，或者涉及结构变异、复杂区域以及其他不容易识别的信息，普通检测就可能找不到。

这时候，更完整的全基因组测序就有价值。

可要按照传统实验室的方式做，成本依然不低。

高端测序平台价格可以达到数百万美元；后续还需要专业的生物信息学人员处理数据，这类人员往往需要五到八年的专业训练；实验过程中的试剂、文库制备、靶向捕获和数据分析也都要花钱。

小S没有这样的实验室条件，于是他换了一种做法。

他没有追求最昂贵的测序设备，而是用了MinION。

MinION是一种体积很小的纳米孔测序设备，大小接近U盘，价格只有传统大型设备的几十分之一。

便宜的代价也很明确：原始电信号里包含比较多的噪声，早期纳米孔测序的一大问题就是单次读取错误率相对较高。

小S没有试图通过购买更贵的硬件解决这个问题，而是把一部分工作交给算法。

他使用了Dorado。

Dorado是一套基于深度学习的纳米孔碱基识别工具。测序仪真正采集到的，本质上是DNA穿过纳米孔时产生的电信号变化。Dorado负责根据这些信号，判断对应的碱基序列。

也就是说，仪器负责读信号，AI负责尽可能准确地把信号转换成DNA序列。

这样一来，对昂贵硬件精度的部分要求，就被转移到了软件和算力上。

还有一项费用，也被他砍掉了。

传统靶向测序如果只想重点读取某些区域，往往需要准备专门的化学探针，从DNA文库中富集目标片段。这套流程可能需要几千美元的化学耗材。

小S采用的是纳米孔测序里的自适应采样。

原理并不复杂。

DNA进入纳米孔后，系统先读取前面一小段序列，并在大约0.1秒内判断这条DNA是不是自己想看的目标区域。

如果是，就继续读取。

如果不是，系统改变纳米孔两端的电压，把这条DNA排出去，再读取下一条。

整个筛选动作主要依靠实时计算和电信号完成，不再完全依赖昂贵的化学探针。

过去需要提前在实验阶段完成的一部分“筛选”，现在被转移到了测序过程中的软件判断。

这对降低成本很关键。

真正麻烦的还有数据分析。

一次全基因组测序可以产生几十GB原始数据。把这些序列整理好，找到值得怀疑的变异，再判断这些变异是否可能和疾病有关，本来就是生物信息学里非常专业的一套工作。

传统情况下，一个人需要经过多年训练，才能熟练处理参考基因组、序列比对、变异识别、功能注释以及候选位点筛选这些环节。

小S把AI也放进了这套流程。

比如，需要告诉测序设备重点关注哪些基因区域时，他没有从头手写全部代码，而是使用Claude辅助生成需要的坐标文件。

测序完成后，他又借助EVO2等生物序列模型分析数据。

EVO2训练涉及大约12万种生物基因组信息，可以用于理解和预测DNA序列中的一些规律和功能。

他还使用了团队开发的AlphaGen，希望进一步做到更细粒度的序列判断，甚至在31个字母范围内进行单碱基层面的预测，寻找可能出现异常的位置。

这些AI工具并不意味着生物信息学博士已经完全没有作用。

更准确的说法是，以前一个普通人根本不知道从哪里开始的数据处理工作，现在可以在AI辅助下完成更多步骤。

专业门槛没有消失，但进入门槛明显下降了。

小S还特别处理了一个很容易被忽视的问题：基因隐私。

人的全基因组数据属于高度敏感的信息，一旦上传到第三方服务器，后续如何保存、谁能够访问、是否会被再次使用，都可能带来风险。

所以他没有直接把姐姐的全部基因数据交给云端平台。

他的做法是在一台Mac Studio上进行本地计算，尽可能把整个分析流程放在离线环境中完成。

从设备到软件，他使用的东西其实都不是突然出现的新技术。

MinION已经存在多年，纳米孔自适应采样也不是他发明的，Dorado、Claude和基因大模型同样都有现成基础。

实验设备甚至谈不上豪华。

离心机买的是速卖通上的打折设备，磁力架使用3D打印制作，没有正规的完整实验室，实际操作地点就是家里的一张餐桌。

他真正做的，是把这些已经存在的工具重新组合到了一起。

便宜的小型纳米孔设备负责读取DNA，深度学习模型负责提高碱基识别能力，自适应采样减少部分化学富集成本，大语言模型帮助处理代码和坐标文件，生物基因模型参与后续序列分析，本地工作站负责计算和隐私保护。

一项过去高度依赖昂贵设备、大型实验室和专业团队的工作，就这样被拆成了多个环节。

每一个环节，他都在问同一个问题：这里是不是必须花这么多钱？

硬件贵，就看看软件能不能承担一部分工作。

化学试剂贵，就看看实时计算能不能替代一部分筛选。

专业代码难写，就让AI参与生成和检查。

云端分析方便但涉及隐私，就用Mac Studio在本地运行。

靠着这种方法，一次个人全基因组测序的成本，被他控制到了1100美元。

他还把完整操作教程公开到了互联网上。

这件事当然不能简单理解成“从今天开始，人人都能在家做基因检测”。

医疗和普通技术实验完全不是一回事。

基因测序涉及样本质量、污染控制、检测准确率、数据解释、医学伦理、隐私保护和临床诊断。一个测序结果能不能真正用于疾病判断，也需要专业医生、遗传咨询人员和经过验证的临床流程参与。

小S能够完成这件事，也和他本人的医学、机器学习以及计算能力密切相关。

普通人直接照着教程操作，并不能保证得到同样可靠的结果，更不能根据自己分析出来的基因变异直接修改治疗方案。

但它确实说明了一个变化。

AI正在降低很多高技术工作的操作成本。

以前大量费用花在专用硬件、专业人员时间和复杂流程上，现在其中一部分工作，可以被软件、模型和通用计算设备承担。

27亿美元、13年，是2003年完成第一份人类全基因组测序时的数字。

1100美元，是这个00后年轻人在今天给出的一次个人实践成本。

两者所处的时代、项目规模和技术条件完全不同，不能直接当成同一种商业服务进行比较。

但这组数字依然说明，基因测序正在从只有大型科研机构才能承担的项目，逐渐进入越来越多个人和小型团队能够接触的范围。

而对小S来说，这些技术变化最终只有一个很具体的意义。

他想知道，困扰姐姐十几年的疾病，到底是哪里出了问题。

没有实验室，没有巨额经费，他只能把自己会的医学、机器学习、基因测序和AI工具全部用上。

1100美元背后真正发生的变化，不是某一台机器突然便宜了，而是过去必须依靠一整套专业体系才能完成的部分工作，现在一个能力足够强的人，已经可以借助AI独立完成越来越多。