• AI通過“完形填空”的方式學習基因組中約600萬個常見SNP位點之間複雜的相互關聯規律，理解遺傳的“語法”。

人類基因組裏包含著超過30億個堿基對，如何從中高效、系統地解讀出與健康、疾病、體質特徵相關的奧秘，一直是現代生物學面臨的巨大挑戰。人工智慧基礎模型正成為突破這一瓶頸的關鍵力量。

1月13日，在上海“模速空間”，基因底座大模型SNPbag正式發佈，該模型旨在解決當前基因組學研究中面臨的計算效率低、數據碎片化以及預測能力不足等難題，試圖通過AI技術“讀懂”DNA與人類生命特徵之間複雜的關聯。模型作者包括上海飛瀑智能科技有限公司、德國萊比錫大學、華大基因研究院、中國科學院等多家單位的研究人員。

人類的DNA序列有99.9%是完全相同的，剩下0.1%的差異造就了我們每個人獨一無二的體質、外貌和疾病易感性。這些差異大多以單個堿基變化的形式存在，即單核苷酸多態性（SNP）。SNPbag正是專為分析這些關鍵差異位點而設計的。

該模型的作者們在相關論文中提到，基於Transformer架構的大語言模型已經改變了生物醫學研究。在蛋白質組學中，AlphaFold 能夠準確預測蛋白質結構並加速藥物發現。在單細胞轉錄組學中，Geneformer、scGPT 和 scBERT 等模型支持細胞類型注釋以及擾動回應預測。在基因組學中，包括 Nucleotide Transformer和 EVO在內的模型能夠處理跨多物種的完整基因組序列，用於注釋基因組元素。

“相比之下，對於單一物種的基因組數據，例如人類基因組，仍然缺乏能夠應對個體之間巨大基因組變異的人工智慧基礎模型。” 該論文寫道。

“我們訓練模型的數據，就是這0.1%的人與人之間的基因差別，那些99.9%重複的部分被拿掉了。”該模型的作者之一徐國華告訴記者，“這使得我們能夠節省海量的算力，這也是它與其他一些基因組模型的核心區別之一。”

徐國華曾在德國馬克思·普朗克演化人類學研究所做研究，師從2022年諾獎得主、生物學家斯萬特·佩博（Svante Pääbo）。他告訴記者，目前僅用SNP數據進行訓練的基因大語言模型只有SNPbag，其研發難度主要在於開發者需要對遺傳學和大模型都非常瞭解。

該模型的另一位作者、飛瀑科技創始合夥人兼首席科學家唐鯤在發佈會上表示，團隊成員的背景多樣，包括腫瘤醫學、計算生物學等，“既要懂生物又要懂計算，只有這樣的團隊能把它做出來。”

與當前主流的語言大模型（如ChatGPT）類似，SNPbag也採用了強大的Transformer架構。研究團隊用100萬個模擬基因組數據對一個擁有8.4億參數的模型進行預訓練，讓AI通過“完形填空”的方式學習基因組中約600萬個常見SNP位點之間複雜的相互關聯規律，理解遺傳的“語法”。通過這種學習，SNPbag構建起了一個能貫通多種遺傳分析任務的底層能力。

發佈會上，唐鯤列舉了該模型的多種用處。過去，要分析一個人的祖源、推斷其與其他人的親緣關係、或補全基因測序中的缺失數據，研究者需要使用不同的統計軟體，過程耗時且相互獨立。SNPbag則將這些任務整合到一個統一的平臺之上，模型只需經過少量微調，就能勝任多種下游任務。

發佈會演示顯示，該模型能精准區分出遺傳背景高度相似的人群，也能可靠地推斷出遠至12代的親緣關係，其性能在部分任務上已達到或超過傳統方法的水準，而計算速度則實現了數十倍乃至上百倍的提升。

SNPbag還展示了一項極具潛力的功能——高效的基因組壓縮和加密。一個人的全基因組SNP原始數據包含數百萬行記錄，給表型預測帶來巨大挑戰。SNPBag模型能將這些海量資訊壓縮成38萬個數字，還保留了95%以上的核心遺傳資訊。

經過壓縮後的個人基因組資訊。圖片來自SNPbag論文

徐國華表示，這38萬個數字能夠極大降低後續的開發難度，SNPBag有望通過壓縮的基因組訓練出很多預測表型的能力。此外，一個人的基因組壓縮，還能存儲在一個僅有0.75MB大小的檔中。這意味著，未來個人的基因組“身份證”或許可以輕鬆地存儲在U盤或手機中，在保障數據隱私和安全的前提下，極大地便利了大規模科研協作和臨床應用。

“這個模型是一個起點。”唐鯤表示，其最終目標是建立從基因型到表型（即身高、相貌、疾病風險等個體特徵）的精准預測能力。唐鯤團隊之前曾開發通過DNA資訊預測外貌的演算法，在刑偵等領域大有用處。他告訴記者，採用新的底座模型後，有望提升面部還原演算法的準確度和泛化能力。

來源：中國澎湃新聞