新型AI模型GPN-Star解码基因组“语法”

加州大学伯克利分校（University of California, Berkeley）的研究人员开发出一种新型基因组语言模型GPN-Star，在识别影响人类健康的遗传变异方面显著优于现有同类模型，同时训练所需的计算资源大幅降低。该研究部分由美国国立卫生研究院（National Institutes of Health，NIH）资助，已于9月9日发表在《Nature》杂志上。

基因组“语法”与语言模型

人类基因组由约30亿个碱基对组成，其中仅约1%至2%编码蛋白质，其余大部分为非编码区域，包含调控元件和“垃圾DNA”。这些非编码区域的变异可能与癌症、心脏病和自闭症等疾病相关，但解读难度极大。基因组语言模型类似针对DNA的聊天机器人，通过在海量DNA序列上训练，识别重复模式和序列，从而发现人类难以察觉的功能元件。

研究资深作者、伯克利计算机科学与统计学教授、创新基因组学研究所（Innovative Genomics Institute）研究员Yun Song表示：“我们的模型在预测遗传变异致病性、区分基因组功能与非功能元件方面表现突出。”

基于全基因组比对的高效训练

多数基因组语言模型，包括今年早些时候发布的Evo 2，基于未比对的完整基因组序列训练，计算需求极高。Evo 2使用了超过10万个物种的基因组，需2000块NVIDIA处理器训练数月。而GPN-Star采用全基因组比对（whole-genome alignments，WGA）数据，将数百个物种的基因组与单一参考物种关联，直接标出进化保守区域。因此，GPN-Star仅需几天甚至几小时、少量处理器即可完成训练，且更不易受垃圾DNA干扰。

研究团队用三种人类锚定的WGA以及小鼠、果蝇、鸡、线虫和拟南芥的WGA训练模型。人类锚定WGA分别涵盖灵长类、哺乳动物和脊椎动物，代表不同进化时间尺度。

不同进化尺度优化不同变异预测

研究发现，在不同进化时间尺度上训练的模型，擅长解读不同类型的遗传变异。共同第一作者、伯克利统计学研究生Chengzhong Ye解释：“在较长进化时间尺度上训练的模型，更擅长预测蛋白质中罕见变异的影响；而在较短时间尺度上训练的模型，则更擅长预测精神分裂症等复杂性状相关变异。”复杂性状可能涉及多达1万个遗传突变，多位于非编码区。Song补充：“对于复杂性状，针对灵长类基因组训练的模型显著提升了预测能力。”

由于训练资源需求低，研究人员希望全球团队能轻松修改、适配并改进该模型，加速人类及其他物种的遗传学理解。共同第一作者Gonzalo Benegas表示：“参与的人越多，模型就会越好。”研究团队还公布了模型的全基因组预测结果，标注了可能对遗传性状影响最大的变异，供生物学家识别相关基因和调控元件以开展后续研究。

来源：BioTechniques（英文原文，生物航编译，内容以原文为准）