新型 DNA AI 模型通过进化学习揭示人类基因组奥秘

在科学家首次对整个人类基因组——全部 30 亿个 DNA 代码的“字母”或碱基对——进行测序二十多年后，这些代码中大部分的含义仍然是一个谜。

虽然估计有 1% 到 2% 的人类 DNA 编码蛋白质，但其余部分是“垃圾 DNA”（不再编码任何内容的进化遗留物）和控制基因表达时间、位置和强度的调控元件的混合体。基因组中的这些非编码区域可能是理解各种遗传特征的关键，包括导致癌症、心脏病和自闭症等疾病的特征。但首先，科学家必须了解这些 DNA 中的变异如何促成使我们每个人都独一无二的众多特征。

UC Berkeley 的研究人员创建了一种新的基因组语言人工智能模型，称为 GPN-Star，在识别促成遗传特征（包括导致疾病的特征）的最重要遗传变异方面，它远远领先于竞争对手。它的计算效率也远高于大型模型，训练所需的时间和计算资源仅为一小部分。

“我们的模型在预测遗传变异的致病性以及识别基因组中的功能性与非功能性元件方面表现出色，”该研究的高级作者、Berkeley 计算机科学和统计学教授、Innovative Genomics Institute 研究员 Yun Song 说。

伴随这项研究，研究人员还发布了他们模型的全基因组预测结果，重点突出了可能对遗传特征影响最大的遗传变异。生物学家可以利用这些注释来识别相关基因和调控元件，以便进一步研究。

“我们希望我们的工作将有助于推动生物学发现，”Song 说。“人们已经开发出非常有创意的工具来检测遗传变异的影响，但他们无法通过实验测试基因组中的每一个变异。我们相信我们的预测将有助于确定那些可能对人类健康产生最大影响的实验的优先级。”

Song 还是 Berkeley Center for Computational Biology 的主任，以及最近宣布的 UC Berkeley-UCSF Bakar Computational Biomedicine Initiative 的联合主任。这项研究部分由 National Institutes of Health 资助，于今天（9 月 9 日）发表在 Nature 期刊上。

基因组的语法

基因组语言模型的工作原理有点像 DNA 聊天机器人，但它们不是在自然语言上训练的，而是在海量的 DNA 序列上训练的。这些模型先进的模式识别技能能够比任何人类都更快地识别重复模式和序列，使它们能够识别基因组中可能无法识别的重要元件。

“从数学上讲， DNA 序列只是一串字母——A、C、G 和 T。我们无法预先知道基因组的哪些部分是功能元件，而且基因组中只有很小一部分是具有功能性的，”Song 说。“通过在许多不同的序列上训练 DNA 语言模型，该模型可以识别基因组中出现的某些模式。人们一直在利用这一点来学习我们所谓的基因组‘语法’。”

大多数基因组语言模型，包括今年早些时候发布的大型 Evo 2 模型，都是在未对齐的完整基因组序列上训练的，其规模从人类一直到单细胞生物。然而，这种方法的计算需求可能极高。Evo 2 模型可以从头开始生成完整的基因组，它是在生命所有领域超过 100,000 个物种的基因组上进行训练的，需要 2,000 个强大的 NVIDIA 计算机处理器和数月的时间进行训练。