把我的74G基因数据塞进Mac，AI发现了什么？

superzhzh

段誉往 Mac mini 上摞了两个风扇。三天三夜没关。74GB 的 FASTQ 文件从华大服务器上一个字节一个字节拖下来，Claude 做的 planning，Codex 跑执行，比对 47GB 的基因词典。最后压缩出一个 172 兆的 VCF 文件——461 万处，只属于他一个人的变异。他把不敏感的那部分数据放到了网上，建了个网站叫 geneduanzhang.com。谁都可以去看。
段誉是脑放电波的老朋友。第四次上节目，每次身份都不一样——这次是「生物骇客」。他投运动健康项目，一周三次 HIIT 能完赛。这一期，他聊的是怎么花不到一万块钱，把 30 亿个碱基对全测了，然后在本地用 AI 跑出分析。

本章文章约 3000 字，可先参考目录，也是我们的播客节目文字稿，可以收听节目获取更多信息：

长按扫码收听节目

---

一、瑞典老哥在厨房测序，段誉的厨房放不下那台仪器
二、同一个吐口水的盒子，价格差 30 倍
三、维权邮件抄送董秘，拿到了 74GB
四、三天三夜，Mac mini 跑完一个人
五、461 万处不一样，定义了「我」
六、胰腺排第一，脂肪肝排第一
七、你爱喝酒，你的基因也爱——但身体扛不住

---

段誉:
最开始我是在 Substack 上看到一个瑞典老哥。他在自己厨房里面用纳米孔的测序仪，把自己完整的基因组测了。测完之后又用一个 Mac mini，分析了自己完整的基因组，甚至把家里人都测了一遍，看遗传疾病有什么指征。这个事在硅谷非常火。
Nixon:
它是很大的一个仪器，是吧？
段誉:
差不多我们桌面这么大。我就直接问 Claude 有没有替代方案。Claude 说国内华大、微基因这些厂商，大概几千块人民币就可以把完整的个人基因组数据拿到，叫 WGS——全基因组测序。现在官方的话，我查了一下是 6999。
Nixon:
十年前看美剧，23andMe 给字幕组贴片广告，主打了解你是不是易胖体质、祖先里有没有蒙古人。这个和现在做的基因测序有什么区别呢？
段誉:
完全不是一回事。微基因、23 魔方那种是基因卡——几百到一千块，只测两三百个网红点位，告诉你这个点位 Yes or No。WGS 是 30 亿个碱基对全覆盖。同一个点位测 40 多次，每次独立投票。我测下来是四十六点几倍的深度。
托马斯白:
这种基因卡我做过。寄一个试剂盒过来，舌头底下划拉几下，放到采集管里寄回去，就能告诉你喝不喝得了酒、容不容易胖。
段誉:
WGS 的盒子和基因卡一样大。也是吐四五口唾沫进一个小试管，封上，扫码，顺丰取走。前段一模一样。区别在于寄走之后——基因卡两三天出报告，WGS 大概 10 天。华大会给你一份 300 多页的报告。最长的部分是药物敏感性——几百种药，他汀类、什么类，你的基因对它耐受还是加倍剂量还是完全不能用。可以做成一张个人药物卡片给医生看，非常有价值。但我买的时候就跟客服谈好了——你给我原始数据。客服说没问题，录了邮箱、身份证、电话，就没下文了。
Nixon:
你为什么非得要原始数据？300 多页感觉也挺全了。
段誉:
以后人类对基因有任何新认知，我自己在电脑上跑一下就行。300 页报告是一次性消费——今天告诉你这 300 页的内容，明年科学有新发现了，跟你没关系了。但原始数据存在自己电脑里，每出一个新研究，丢给模型跑一次，永远可以复用。这是一个复利非常高的事情。
托马斯白:
那后来怎么拿到的？
段誉:
打了三次电话，实在没耐心了。让 Claude 给我写了封维权邮件——律师函那个语气。它还想到一个点，抄送投资者关系部，抄送董秘邮箱。发过去第二天就有人主动打电话过来。后来一个 QQ 邮箱给我发了 PDF、账号、密码。用一套专用的数据传输软件，Windows 上是图形界面，Mac 上是纯命令行，DOS 那种黑框。连上华大服务器，直接拖下来。74GB 一个文件。
托马斯白:
就像一部 8K 电影。
段誉:
传了两三个小时。格式是 FASTQ——基因测序最通用的格式。感觉他们干这么久业务，也就遇到我一个人非得要原始数据。
段誉:
数据拿到之后，我让 Claude 用 planning 模式。先告诉它目的——华大 WGS 数据，FASTQ 格式，你告诉我该怎么办，有哪几步，每一步大概多少小时，画张图出来。把耗时长的甩到晚上跑，需要交互的放在早上问我。
托马斯白:
所以你用哪个 AI 软件下任务？
段誉:
Claude 做 planning，生成 sh 文件，甩给 Codex 跑。从下载数据开始就在 Codex 一个窗口里。Mac mini 加了两个风扇，跑了三天。中间步骤非常多，大概七八步。每一步要生成自己对应的环境，安装不同插件。
托马斯白:
它背后用什么机制读文件？
段誉:
FASTQ 相当于一大堆碎片小纸条，每个纸条上只有几百个字节。把它们重新对照一个标准基因组，一张一张贴回原位。每个点位它做一次投票——如果测了 46 次，39 次指向 A，1 次指向 G，那 G 就是错的，判定为 A。把碎片还原成一本书的整个过程，花了差不多一晚上。
托马斯白:
它用的是本地模型吗？
段誉:
本地的，Mac mini 用 CPU 在跑。中间有好几步如果用 NVIDIA 的卡会加速很多，学术界应该用 Windows 加 NVIDIA 是主流。但 Mac 上确实只有 CPU 方案。哗哗的风扇吹了三天。
Nixon:
所以文件那么大，相当于是 30 亿个数值，再乘以 46 倍的测序深度。
段誉:
对。最后压缩出来是一个 VCF 文件——172 兆。461 万处跟标准基因不一样。
托马斯白:
之前是 30 亿。那大部分 29 亿 9000 多万是大家都一样的。
段誉:
461 万处。这个就定义了我是我。
Nixon:
从小就知道人和大猩猩的基因 99% 相似，人和人之间 99% 一样。但真的一个 172 兆的文件摆在面前，告诉你这就是你之所以是你——跟看科普文章完全不是一种感受。
段誉:
存到电脑里你就知道，我就是因为这 172 兆。
有了 VCF 之后，还需要一个词典。叫 dbNSFP，47 个 GB，比原始基因组还大。全世界科学家用不同的库研究不同基因变异——良性的、有害的、为什么有害。每个人 publish 很多点位，不同库、不同数据源，全部整合在一起。相当于基因界的维基百科。
段誉:
拿着 172 兆的个人数据去比对 47GB 的词典，十几分钟就解读完了。出来就是一个列表——我的位置、参考是什么、变异是什么、它的 implication 是什么。
他还跑了一个更深的东西——AlphaGenome。AlphaFold 大家都知道，DeepMind 做的蛋白质结构预测。AlphaGenome 是同类思路，专门预测那些不编码蛋白质的区域。人类 90% 的基因不翻译成蛋白质，原来被称为垃圾 DNA。但现在知道这些区域里有起始子、终止子——决定了什么时候开始转录、什么时候停止。如果开关出问题，影响不比编码区小。
托马斯白:
那这部分华大基因没有给你解读。
段誉:
AlphaGenome 跑完之后，在所有变异里面，我的胰腺表达变异程度是最高的。
托马斯白:
怎么理解？
段誉:
我最近糖耐受确实有受损。maybe 胰岛素分泌不太够。它有五六十个跟胰腺相关的变异，在非编码区里表达最集中的就是这一块。
还有一个直接印证的。脂肪肝高风险基因，我是纯合的——风险最高的那一档。我确实有轻度脂肪肝。
托马斯白:
段誉一周三次 HIIT，能完赛。运动习惯极好。在这样的情况下——仍然有轻度脂肪肝。
Nixon:
我过去几年也有，但去年训练加稍微调整饮食，今年就没了。所以我和段誉在脂肪肝这件事上的基线显然不一样。
托马斯白:
很多健康指标有一个 range。激素水平从 16 到 32 都是正常的，为什么有人 16 有人 32？可能就是某一段基因表达的区别，导致了基准数值不一样。包括 HRV 的基线——有人 140，有人三四十，差距这么大就会焦虑。但科学上一直强调看的是你在基线上的波动。这个基线很可能是你外力改变不了的。你的基因表达就这样了，这个数值对你就是正常的。
也许那个看起来不太健康的糖耐指标，恰恰对你就是健康的。
Nixon:
除了这些表达之外，你觉得这次解读出来的数据对你后续生活还有哪些影响？
段誉:
挺好玩的。喝酒容不容易脸红，大家都知道是乙醛脱氢酶有没有翻译。还有一个酒精成瘾，专门有一个基因来调控的。我是酒精耐受程度比较高、酒精成瘾程度也比较高的基因表达。我喜欢精酿，确实有影响。
但反过来，我戴 WHOOP 戴了四五年。每一次喝酒，第二天基本上都是红的。HRV 冲击巨大。就是你可能酒精耐受程度高，酒精容易上瘾——但不代表你的身体对酒精没有反应。三个完全不同的维度。

---

本文基于音频节目撰写，也欢迎收听音频节目，获得更多信息。

com2

谢谢楼主分享！