在人命科学究诘中，DNA 序列承载着从最浮浅的细菌到最复杂的东说念主类扫数人命体式的遗传信息。可是，讨论和融会这些序列的功能一直是生物学家濒临的紧要挑战。比如，判断一个基因突变是否会导致疾病，或者联想一个能在特定细胞中精准抒发的基因序列，时时需要消费大宗的时辰和资源进行施行考证。
2 月 19 日，Arc 究诘所联接好意思国斯坦福大学、好意思国加州大学伯克利分校、好意思国加州大学旧金山分校以及，发布了一个冲破性的 AI 模子 Evo 2。这个被称为“生物基础模子”的系统，初度终赫然对人命三大规模（原核生物、古细菌和真核生物）的 DNA 序列进行长入建模。更进攻的是，它或者“读写想考”DNA 谈话，不仅不错讨论序列的功能，还能联想具有特定功能的新序列。
Evo 2 最大的冲破在于它的教练数据规模。究诘团队构建了名为 OpenGenome2 的数据集，收录了 9.3 万亿个核苷酸序列，险些囊括了地球上扫数已知的人命体式。数据来自 12.8 万个物种的基因组，不仅包含浮浅的细菌和古细菌，还初度加入了东说念主类、植物等复杂生物的基因组信息。恰是这种前所未有的数据散失面，让 Evo 2 取得了访佛东说念主类生物学家的“通识融会才略”。
究诘团队使用 StripedHyena 2 看成模子架构，这是首个基于卷积多搀和模子的架构，它玄机地将多种不同类型的运算符组合在一说念，变成了一种条纹状的陈列方法。这种联想显赫进步了模子在搞定短序列和长序列时的效果。值得一提的是，OpenAI 联接独创东说念主 Greg Brockman 在放假时间参与了这一本事讲求的攻克。
通过这一改进架构，Evo 2 不错一次搞定长达 100 万个核苷酸的序列，是上一代模子搞定才略的 8 倍。这意味着模子不错捕捉到基因组中远距离元件之间的关系，这关于融会真核生物的基因调控绝顶进攻。
模子的教练有两个阶段。第一阶段是在 8,192 个象征的高下文长度下进行预教练，这个阶段重心关注功能遗传元件，如基因编码区、调控序列等。第二阶段则是中期教练，将高下文长度逐步膨胀到 100 万个象征，使模子或者学习基因组中远距离元件之间的复杂关系。
究诘东说念主员还开拓了改进的数据增强和权重分派顺次，在预教练阶段优先搞定信息密度较高的功能区域，在中期教练阶段则注意长序列的全体组成。
最进攻的是，该面目澈底开源。团队不仅开源了 Evo 2 的模子参数、教练代码和推理代码，还发布了无缺的 OpenGenome2 教练数据集（面目地址：https://github.com/arcinstitute/evo2）。这使其成为现在规模最大的澈底通达 AI 模子之一。
为了便捷究诘东说念主员使用，团队还开拓了名为 Evo Designer 的用户友好界面，以及一个不错揭示模子里面机制的可视化器用，这让究诘东说念主员或者更好地融会模子是何如“想考”生物知识题的。
值得一提的是，为了确保安全使用，究诘团队专门在教练数据中遗弃了扫数可能感染高档生物的病毒序列。他们通过严格的测考试证，迪士尼彩乐园2邀请码确保模子在这类序列上的分析和生成才略王人很有限。
在几十年的生物学究诘中，咱们积蓄了海量的生物数据，但要确实“读懂”这些数据却并糟塌易。Evo 2 的出现，让咱们对生物信息的融会和讨论达到了新的高度。
在基础讨论任务上，Evo 2 推崇出了相等凸起的准确性。比如说，它能在莫得任何专门教练的情况下，准确判断 DNA 突变是否会影响卵白质功能。更令东说念主诧异的是，它关于复杂的真核生物也有很好的融会——这在昔时的模子中是很难终了的。
亚当福德透露，在阿姆斯特朗的菜鸟赛季，NBA球探表示他的身体素质非常出色，但需要增强投篮能力。“去年他场均得分只有8分，三分命中率28%，而现在他场均可以得到18分，三分命中率也提升了很多。”亚当福德补充道。
这种才略在医学规模相等有用。举个例子，在分析与乳腺癌关系的 BRCA1 基因时，Evo 2 能以杰出 90% 的准确率分手出哪些基因变异可能致病，哪些是良性的。这意味着，在进行不菲的细胞施行或动物施行之前，究诘东说念主员不错先用 Evo 2 筛选出最值得关注的突变。
不仅能读懂 DNA，Evo 2 还会“写”DNA。究诘团队用 Evo 2 得胜生成了无缺的线粒体基因组、浮浅细菌基因组，以及酵母染色体。这些生成的序列不仅在数目上庞大，质料上也保合手了高度的当然性和连贯性。更令东说念主惊喜的是，模子生成的序列中包含了正确数目的编码序列、tRNA 基因和 rRNA 基因，并保合手了合适的基因组结构。
此外，究诘东说念主员还发现 Evo 2 不是在浮浅地顾虑数据，而是确实融会了生物学旨趣。通过颠倒的分析本事，他们发现模子自主学会了识别外显子和内含子的界限、寻找卵白质结合位点，以至能发现细菌基因组中潜伏的病毒序列。这些王人是生物学家绝顶关注的特征。
究诘团队还展示了一种改进的期骗：用 Evo 2 联想具有特定表不雅遗传特征的 DNA 序列。他们以至得胜地将莫尔斯密码信息编码到了表不雅基因组中，这是初度在生物学谈话建模中终了推理时缩放的案例。
Evo 2 的出现标志着“生成生物学”规模的进攻里程碑。这个模子为融会和联想生物系统提供了前所未有的才略。在医疗规模，它不错匡助讨论基因突变的致病性，加快凄迷病的会诊和调治决策的制定。在合成生物学规模，模子不错赞成联想新的基因调治器用或生物传感器。
看成一个澈底开源的面目，Evo 2 为扫数这个词人命科学究诘社区提供了强劲的器用。究诘东说念主员不错基于这个基础模子开拓更多专门的期骗。Arc 究诘所的究诘员暗示，改日他们蓄意将这种暗示顺次与表不雅基因组学和转录组学信息整合，朝着构建不错有用模拟复杂细胞表型的“假造细胞模子”迈进。
这项究诘再次阐明，东说念主工智能正在从根柢上改动咱们融会和操控人命的神态。通过将进化铭记在 DNA 中的信息滚动为机器可融会的方法，Evo 2 或将为人命科学究诘开辟一种新的范式。
参考府上：
1.https://arcinstitute.org/manuscripts/Evo2
2.https://arcinstitute.org/news/blog/evo2
运营/排版：何晨龙
