有史以来最大的 AI 生物学模型按需写入 DNA

快速阅读: 据《Nature.com》最新报道，科学家发布了迄今为止最大的生物领域AI模型Evo-2，经过128,000个基因组训练，能解读复杂基因组和非编码变异。该模型在9.3万亿个DNA字母上训练，涵盖人类、动植物等基因组。Evo-2可在网络界面向科学家开放，或提供免费软件代码。专家认为其在非编码突变预测方面表现出色，但仍需更多验证。

科学家今天发布了他们所说的迄今为止最大的生物领域人工智能（AI）模型。该模型经过128,000个跨越生命之树的基因组训练，从人类到单细胞细菌和古菌，可以全新编写整个染色体和小型基因组。它还可以解读现有DNA，包括与疾病相关的难以解释的“非编码”基因变异。名为“CRISPR聊天机器人”的新基因编辑工具被创建了。由加州帕洛阿尔托弧形研究所的研究人员和芯片制造商英伟达共同开发的Evo-2，通过网络界面向科学家开放，或者他们可以下载其免费提供的软件代码、数据和其他参数以复制该模型。开发者将Evo-2视为一个平台，其他人可以根据自己的需求进行调整。“我们非常期待科学家和工程师如何构建这个生物学的‘应用商店’，”弧形研究所和加州大学伯克利分校的生物工程师帕特里克·许在宣布Evo-2发布的新闻发布会上说。

其他科学家对他们在弧形研究所网站上发布并提交给bioRxiv预印服务器的论文中描述的模型印象深刻——但表示需要进一步验证才能得出明确结论。“预印本发布后，我们需要看到它在独立基准测试中的表现，”帕洛阿尔托斯坦福大学的计算基因组学家阿努什尔·库纳达吉说。目前，他对支撑该模型的工程技术印象深刻。

数万亿字母

近年来，研究人员开发了越来越强大的“蛋白质语言模型”，如前Meta员工开发的ESM-3模型，该模型在数百万种蛋白质序列上训练后，被用于帮助预测蛋白质结构，并设计全新的蛋白质，包括基因编辑器和荧光分子。AI已经设计出一大批新蛋白质。其中有多少是真正可行的？

与这些模型不同，Evo-2是在包含“编码序列”——携带制造蛋白质指令——以及调控基因何时何地如何活跃的非编码DNA的数据集上训练的。去年发布的Evo的第一个版本是在80,000种细菌和古菌的基因组上训练的——这些简单生物被称为原核生物——以及它们的病毒和其他序列。最新的模型基于128,000个基因组，包括人类和其他动物、植物以及其他真核生物的基因组。这些基因组总共包含9.3万亿个DNA字母。根据所需的计算能力来处理这些数据和其他特性，许表示，Evo-2是迄今为止发布的最大的生物AI模型。

与原核生物相比，真核生物的基因组往往更长且更复杂：基因由编码区和非编码区的片段组成，非编码的“调控DNA”可能远离它们所控制的基因。为了应对这种复杂性，Evo-2被设计成能够学习相隔高达100万个碱基对的DNA序列模式。最新的模型基于128,000个基因组，包括人类和其他动物、植物以及其他真核生物的基因组。这些基因组总共包含9.3万亿个DNA字母。根据所需的计算能力来处理这些数据和其他特性，许表示，Evo-2是迄今为止发布的最大的生物AI模型。

为了展示其解读复杂基因组的能力，许和他的同事使用Evo-2预测了一个与乳腺癌相关基因BRCA1中先前研究过的突变效果。他说，它在确定编码区域的变化是否会引发疾病方面几乎与最好的生物AI模型一样好。“它在非编码突变的预测上处于最先进水平。”未来，该模型可以帮助识别患者基因组中难以解释的变化。研究人员还测试了该模型解读复杂基因组其他特征的能力，例如猛犸象的基因组。“Evo-2代表了理解DNA调控语法的重要进展，”加州旧金山格莱斯顿研究所的计算生物学家克里斯蒂娜·西奥多里斯说。

(以上内容均由Ai生成)