基因组学与 AI🔗

关键词： 基因组基础模型, Evo 2, Enformer, DNA 语言模型, 基因表达预测
难度： ⭐⭐⭐
预计阅读时间： 25 分钟
最后更新： 2026-04-09

本章导读🔗

如果说 AlphaFold 解决了蛋白质结构预测问题，那么基因组学领域的"AlphaFold 时刻"可能正在到来。2024-2025 年，一系列基因组基础模型（Genomic Foundation Model）的发布标志着 AI 开始"理解"DNA 的语言——从短序列的功能预测到跨物种的基因组生成。

本章将介绍这一快速发展的领域，重点关注几个里程碑式的模型和它们的应用场景。

1. 基因组 AI 的核心思想🔗

1.1 DNA 作为语言🔗

基因组 AI 的核心洞见与蛋白质语言模型类似：将 DNA 序列视为一种"语言"。

• DNA 只有 4 个"字母"：A、T、C、G
• 但简单的字母表蕴含了极其复杂的"语法"——调控元件、基因结构、表观遗传标记
• 进化在基因组序列中留下了丰富的信息
• 可以用 Transformer 等架构学习这些模式

1.2 与蛋白质 AI 的区别🔗

基因组 AI 面临一些独特挑战：

• 序列极长：一个人类基因组有 30 亿个碱基对，远超蛋白质（通常几百个残基）
• 功能多层次：同一段 DNA 可能同时编码蛋白质、调控信息和 RNA 结构
• 物种多样性：从细菌到人类，基因组结构差异巨大
• 标签稀缺：相比蛋白质结构数据（PDB），基因组功能注释数据更稀疏

2. Evo 系列：基因组基础模型🔗

2.1 Evo（2024，Arc Institute）🔗

Evo 是 Arc Institute（由 Patrick Hsu 等领导）开发的第一个大规模基因组基础模型。

核心设计： - 基于 StripedHyena 架构（一种高效的长序列模型，替代标准 Transformer） - 在 OpenGenome 数据集上训练（包含原核和真核基因组） - 支持高达 131K 碱基对的上下文窗口 - 70 亿参数

关键能力： - 零样本功能预测：不需要任何标注数据，直接评估 DNA 变异的功能影响 - 基因组序列生成：可以生成全新的、功能性的基因组序列（包括基因和调控元件） - 跨物种理解：在一个模型中编码了从细菌到真核生物的基因组知识 - 评估基因必要性：预测基因敲除的适应度效应

2.2 Evo 2（2025）⭐🔗

Evo 2 是 Evo 的重大升级，在多个方面实现了突破。

关键改进：

Evo 2 的突破性成果：

1. DNA 变异效应预测：在 ClinVar 致病变异数据集上，零样本预测能力接近甚至超越专门训练的模型
2. 基因表达预测：可以从序列直接预测基因表达水平
3. 全基因组序列生成：能生成长度超过 100 万碱基对的连贯基因组序列
4. 跨物种迁移：在原核基因组上学到的模式可以迁移到真核基因组任务

使用方法：

# Evo 2 使用示例（基于 Hugging Face）
from evo2 import Evo2

model = Evo2.from_pretrained("arcinstitute/evo2-7b")

# DNA 序列评分（计算 log-likelihood）
sequence = "ATCGATCGATCG..."
score = model.score(sequence)

# 生成 DNA 序列
generated = model.generate(
    prompt="ATCGATCG",
    max_length=1000,
    temperature=1.0
)

# 变异效应预测（比较野生型和突变型的 likelihood）
wt_score = model.score("...ATCG...")
mut_score = model.score("...ATGG...")  # C→G 突变
delta_score = mut_score - wt_score  # 负值可能表示有害突变

安装：

# 通过 pip 安装
pip install evo2

# 或从 GitHub 克隆
git clone https://github.com/ArcInstitute/evo2.git
cd evo2
pip install -e .

# 下载模型权重（7B 模型约 14GB）
# 40B 模型需要更大的 GPU 集群

硬件需求：

2.3 Evo 系列的应用场景🔗

3. Enformer：基因表达预测🔗

3.1 什么是 Enformer🔗

Enformer（2021, Google DeepMind）是一个专门用于从 DNA 序列预测基因表达和表观遗传信号的模型。¹

核心设计： - 输入：198,608 bp 的 DNA 序列（以感兴趣的基因为中心） - 输出：预测 5,313 个表观基因组学/基因表达 track（如 CAGE、DNase-seq、H3K4me3 等） - 架构：Transformer + 卷积，捕获远距离调控相互作用

3.2 Enformer 能做什么🔗

1. 从序列预测基因表达水平
2. 评估非编码变异的影响：特别是 GWAS 中发现的调控区变异
3. 识别增强子-启动子相互作用
4. 预测染色质开放状态

3.3 使用方法🔗

# Enformer 使用示例
import tensorflow as tf
import tensorflow_hub as hub

# 加载模型
model = hub.load("https://tfhub.dev/deepmind/enformer/1")

# 准备输入序列（one-hot 编码，shape: [1, 393216, 4]）
# 需要 393,216 bp 的序列（中心 114,688 bp 有预测输出）
import numpy as np

def one_hot_encode(sequence):
    mapping = {'A': [1,0,0,0], 'C': [0,1,0,0], 
               'G': [0,0,1,0], 'T': [0,0,0,1], 'N': [0,0,0,0]}
    return np.array([mapping.get(base, [0,0,0,0]) for base in sequence])

# 预测
sequence_one_hot = one_hot_encode(dna_sequence)
predictions = model.predict_on_batch(
    sequence_one_hot[np.newaxis, ...]
)
# predictions['human'] shape: [1, 896, 5313]
# 896 个 128bp bins × 5313 个 track

3.4 局限性🔗

• 仅支持人类和小鼠基因组
• 输入长度固定（~200K bp）
• 对远距离调控（>100K bp）仍有改进空间
• 不能直接处理结构变异

4. 其他重要的基因组 AI 模型🔗

4.1 Nucleotide Transformer（InstaDeep / BioNTech）🔗

• 2,500M 参数的 DNA 语言模型
• 在多物种基因组上预训练
• 支持多种下游任务：启动子预测、剪接位点预测、表观遗传标记预测
• 提供 Hugging Face 上的预训练模型

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained(
    "InstaDeepAI/nucleotide-transformer-v2-500m-multi-species"
)
model = AutoModelForMaskedLM.from_pretrained(
    "InstaDeepAI/nucleotide-transformer-v2-500m-multi-species"
)

4.2 DNABERT / DNABERT-2🔗

• 最早的 DNA BERT 模型之一（2021）
• DNABERT-2 改进了 tokenization 方案（使用 BPE 而非 k-mer）
• 适合各种序列分类任务
• 社区支持好，教程丰富

4.3 HyenaDNA🔗

• 使用 Hyena 算子实现超长上下文（100 万+ bp）
• 相比 Transformer，内存效率更高
• 适合需要建模染色体级别序列的任务

4.4 Caduceus🔗

• 双向 DNA 语言模型
• 同时考虑正链和反义链
• 基于 Mamba 架构（选择性状态空间模型）

4.5 模型对比🔗

5. 实际应用场景🔗

5.1 临床变异解读🔗

# 使用 Evo 2 评估 ClinVar 变异
import pandas as pd

variants = pd.read_csv("clinvar_variants.csv")
# 列：chrom, pos, ref, alt, significance

results = []
for _, var in variants.iterrows():
    # 获取包含变异位置的序列窗口
    wt_seq = get_reference_sequence(var.chrom, var.pos - 500, var.pos + 500)
    mut_seq = mutate_sequence(wt_seq, 500, var.ref, var.alt)

    wt_score = model.score(wt_seq)
    mut_score = model.score(mut_seq)

    results.append({
        'variant': f"{var.chrom}:{var.pos}{var.ref}>{var.alt}",
        'delta_score': mut_score - wt_score,
        'clinical': var.significance
    })

# 负的 delta_score 倾向于对应致病变异

5.2 合成启动子设计🔗

利用 Evo 2 的生成能力，设计具有特定表达水平的启动子：

1. 从已知启动子出发，使用模型生成变体
2. 用 Enformer 或实验验证活性
3. 筛选符合目标表达水平的设计

5.3 调控元件发现🔗

对基因组区域进行滑窗扫描，利用模型的注意力模式或似然值变化识别功能性调控元件。

实操演示🔗

练习 1：使用 Evo 2 评估变异🔗

1. 安装 Evo 2
2. 选择一个已知的致病变异（如 BRCA1 上的某个变异）
3. 计算野生型和突变型的序列似然分数
4. 比较分数差异

练习 2：Nucleotide Transformer 序列分类🔗

1. 安装 Hugging Face transformers
2. 加载 Nucleotide Transformer 模型
3. 用推荐的分类头对启动子/非启动子序列进行分类
4. 评估性能

练习 3：Enformer 基因表达预测🔗

1. 获取某基因周围的 DNA 序列
2. 使用 Enformer 预测该位置的基因表达 track
3. 可视化预测结果
4. 引入一个已知的 eQTL 变异，观察预测变化

本章小结🔗

• ✅ 基因组 AI 正在快速发展，Evo 2 是目前最强大的基因组基础模型
• ✅ DNA 语言模型的核心思想与蛋白质语言模型类似，但面临序列更长、功能更复杂的挑战
• ✅ Enformer 是基因表达预测的标杆工具，特别适合非编码变异的功能评估
• ✅ 多种 DNA 语言模型可用于序列分类、变异评估等下游任务
• ✅ 临床变异解读、合成启动子设计、调控元件发现是最有前景的应用方向
• ✅ 该领域进展极快，建议持续关注 bioRxiv 和相关 GitHub 仓库

延伸阅读🔗

• Evo 2 论文（2026-04 访问）
• Evo 2 GitHub（2026-04 访问）
• Enformer 论文补充
• Nucleotide Transformer GitHub（2026-04 访问）
• DNABERT-2 GitHub（2026-04 访问）
• Genomic Foundation Models Review — 综述论文

参考文献🔗