科技日报记者 吴叶凡
在所有人工智能驱动的科学研究（AI for Science）应用中，生命科学是最热门的场景之一。在AlphaFold解决了蛋白质结构预测的难题之后，行业正向另一座“堡垒”冲锋——解码DNA序列，开启解读生命终极密码的新篇章。
地球生物的遗传密码DNA，其实是一门共通的“生命语言”。而DNA大模型，则是为读懂这门语言打造的专属AI助手，生成式基因组大模型Carbon（以下简称“Carbon模型”）就是其中典型代表。
Carbon模型由北京中关村学院联合国际知名开源社区Hugging Face共同开发，定位为生命科学领域的“DeepSeek”。它既能读懂DNA里藏着的生命秘密，还能写出符合预期功能的全新DNA序列，彻底打破了过去生命科学研究的传统范式。
第八届中国国际进口博览会上的人工智能研发药品展区。 视觉中国供图
落地合成生物学领域
通用人工智能大模型学习的是人类交流的语言文字，Carbon模型学习的对象则是DNA序列。“它把DNA当作一门独立的语言来学习，不仅能够‘读懂’DNA，还会‘写’。”北京中关村学院副院长秦涛说。
“读懂DNA”是指完成理解性任务，实现对每一段DNA序列的精准解析。基因注释是最具代表性的理解类任务之一。通过开展基因注释，研究人员可精准判定某段基因的具体功能，快速定位DNA序列里的关键基因位点，从而帮助科研人员判断基因上的突变是否会引发疾病、导致基因功能异常。
掌握DNA的内在“语法规则”之后，Carbon模型还能像写文章一样，自主生成具备预期功能的定制化DNA序列，这就是生物学领域的序列设计工作。北京中关村学院、中关村人工智能研究院AI for Science研究员李秋熠介绍，生成式任务有丰富应用场景，包括RNA疫苗设计、农业育种、合成生物学调控元件设计等。比如，针对某一新型病毒，Carbon模型可针对性地设计出RNA序列，用以激发人体免疫反应。在农业育种场景中，Carbon模型可通过调节作物基因，让农产品拥有更优良的性状，改善它的口感、味道。
记者了解到，目前，Carbon模型的生成类能力已服务于许多高校和药企，其最成熟的落地场景是合成生物学领域的调控元件设计。这也是当前DNA模型最快可变现的方向。
合成生物学调控元件是一种可编程的生物学部件，它们多为具有特定功能的DNA、RNA序列或调控蛋白，相当于电子电路里的开关、旋钮，能够精准控制基因“什么时候启动、生产多少产量、遇到什么信号才工作”，可应用于药物制造、绿色农业、细胞治疗等领域。
李秋熠说，药企使用的启动子、增强子这类调控元件大多是自然界天然存在的，活性温和，是企业靠十几年随机突变测试攒下的“祖传资源”。因为生产方式依赖天然序列筛选、随机突变试错，因此药企往往需要数年时间才能积累高活性元件，而且很难突破性能上限。
Carbon模型则为这一科研场景带来了颠覆式改变。按照不同需求，Carbon模型可直接、快速生成高活性的全新调控元件。原本需要数年迭代的流程，现在几乎瞬间就能得到更优方案。“我们测试后发现，新元件对基因的调控能力比传统天然元件高出数十倍，实实在在帮助合成生物领域生产降本增效。”李秋熠说。
提升性能不靠堆参数
在DNA大模型领域，近几年优秀模型不断涌现。从谷歌的DNA序列模型AlphaGenome，到美国弧形研究所（Arc Institute）的基因组基础模型Evo，再到阿里云的生物基础大模型GENERator、之江实验室与华大生命科学研究院的基因组通用基础模型Genos，众多科技公司和研究机构都在全力抢占这块高地。
“一些模型靠堆砌参数和算力来提升性能，但大部分科研团队难以负担高额的算力成本支出。”李秋熠介绍，区别于国外模型“大力出奇迹”的路径，国内团队受算力资源限制，倒逼出“低成本、高效率”的优化方向，走出非参数堆砌的差异化技术路线。
Carbon模型通过独创算法，让计算效率提升近百倍，能够用更低算力成本为研究者提供AI服务，打破了“参数越大性能越强”的传统路径依赖，因此被视作生命科学领域的“DeepSeek”。李秋熠算了一笔账，过去Evo 2模型一年才能跑完的任务，Carbon模型只需要一天多。
让Carbon模型“跑”得更快的，是团队自研的名为“FNS”的创新算法。这一算法将模型读写DNA的方式从单字符逐位处理，升级为多位并行处理。“这就如同打字，从原本逐字输入，变为一个词语、一个短句地输入。”李秋熠介绍，这样的工作模式让计算复杂度直接降至原有的1/36，生成步数也缩减为原来的1/6，原本60步才能完成的任务，现在仅需10步就能解决。Carbon模型整体性能比美国的Evo 2快200多倍，很大程度上来源于这项算法创新。
“我们选择将Carbon模型完全开源，让全球生命科学研究者都能用上最先进的基因组AI工具。我们希望能借此推动基因组领域的科研范式转变，催生出无数我们现在难以想象的生命科学新应用。”李秋熠说。
需加强技术路线融合
李秋熠提到，尽管近年来生命科学领域AI for Science进程不断推进，但模型泛化能力不佳、核心组学数据短缺等问题，仍制约着大模型落地应用，需要行业进一步探索解决。
目前生命科学领域大模型主要有两类技术路线——自回归式和监督式。前者以Carbon、Evo 2模型为代表；后者则以AlphaGenome为翘楚。然而，两种开发路径都不同程度存在技术“盲区”。
自回归式路线的核心，就是让模型像理解语言一样理解DNA。“DNA是所有生物的一门共同语言。理论上，模型学习的是一套‘放之四海而皆准’的语法，因此它不挑数据，可以理解一切生命的逻辑。”李秋熠解释，因此自回归式路线具备跨物种泛化能力，可适配精准医疗、农业育种、虫害研究等各类物种的研究场景。但也正是因为仅以单维度的DNA序列作为训练数据，自回归路线大模型存在功能局限，在生命组学的诸多领域中，只能完成基因组学（DNA序列）的任务，不具备转录组、表观组等多组学预测、分析能力。
而监督式路线以基因组、表观组、转录组等多组学数据为基础。它虽具备跨组学研究能力，但受限于多组学数据稀缺问题，目前仅支持人和小鼠两个物种的相关分析，无法适配其他物种的研究需求。
对于不同技术路线存在的问题，李秋熠认为，一方面需要加强技术路线融合，实现优势互补，比如把自回归模型的泛化能力，扩展到监督式模型上；另一方面，学界需要类似“人类基因组计划”的大规模跨机构协作，推动这类宝贵数据的开放共享。
李秋熠特别提到，在加强模型研发的同时，还应注重应用推广。“当前阶段的核心目标并非快速实现商业化盈利，而是优先推广模型、让全球科研人员都用上该技术，逐步培育完整的产业生态。这也有助于产生更多优质数据，反哺模型的迭代进化。”他说。
网友评论
