原標(biāo)題：Evo 2作者、斯坦福計(jì)算生物學(xué)家 Brian Hie：AI可發(fā)現(xiàn)人類無法看到的模式
文章來源：人工智能學(xué)家
內(nèi)容字?jǐn)?shù)：10830字

Evo 2：有史以來最大的生物學(xué)AI模型

本文介紹了由Arc研究所、斯坦福大學(xué)和NVIDIA共同開發(fā)的Evo 2，這是迄今為止最大的生物學(xué)人工智能模型。Evo 2基于128,000個(gè)基因組進(jìn)行訓(xùn)練，涵蓋了從人類到單細(xì)胞細(xì)菌和古細(xì)菌的廣泛生命體，能夠從頭開始編寫整個(gè)染色體和小基因組，并理解現(xiàn)有的DNA，包括與疾病相關(guān)的復(fù)雜“非編碼”基因變體。其軟件代碼、數(shù)據(jù)和模型參數(shù)可在線訪問和免費(fèi)下載。

Evo 2的突破性進(jìn)展

Evo 2及其前身Evo的突破在于將大型語言模型(LLM)技術(shù)應(yīng)用于DNA序列分析。研究人員將DNA序列視為類似于人類語言的序列數(shù)據(jù)，通過訓(xùn)練模型預(yù)測(cè)DNA堿基對(duì)的序列，從而理解DNA的結(jié)構(gòu)和功能。Evo 2的成功，源于其創(chuàng)新的訓(xùn)練方法和龐大的數(shù)據(jù)集。

將LLM應(yīng)用于DNA的創(chuàng)新思路

1. **DNA序列的語言特性:** 研究人員認(rèn)為DNA序列如同人類語言一樣，是由離散的“token”（堿基對(duì)）組成的序列，具有其自身的結(jié)構(gòu)和模式，并非隨機(jī)排列。

2. **從DNA到蛋白質(zhì)的語言建模:** 基于中心法則（DNA編碼RNA，RNA編碼蛋白質(zhì)），在DNA上訓(xùn)練好的模型可以自動(dòng)擴(kuò)展到RNA和蛋白質(zhì)的語言建模。同時(shí)，Evo 2在整個(gè)基因組上進(jìn)行訓(xùn)練，保留了基因在基因組上相鄰位置的重要信息，這與僅關(guān)注蛋白質(zhì)編碼區(qū)域的傳統(tǒng)方法不同。

3. **長上下文長度:** Evo 2能夠處理更長的DNA序列（上下文長度），這需要克服巨大的計(jì)算挑戰(zhàn)，研究團(tuán)隊(duì)利用了最新的技術(shù)進(jìn)展來降低計(jì)算成本。

4. **數(shù)據(jù)集的多樣性:** 訓(xùn)練數(shù)據(jù)包含了高度多樣化的基因組序列，這使得模型能夠?qū)W習(xí)到更普遍的規(guī)律。

Evo 2的測(cè)試和性能

Evo 2通過預(yù)測(cè)蛋白質(zhì)編碼DNA序列中突變的“進(jìn)化可能性”來進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，Evo 2預(yù)測(cè)的高可能性突變通常能夠保持或改善蛋白質(zhì)功能，而低可能性突變則可能破壞蛋白質(zhì)功能。雖然Evo 2也會(huì)犯錯(cuò)，但其“幻覺”能力在生物學(xué)研究中可能成為一種優(yōu)勢(shì)，幫助發(fā)現(xiàn)新的生物學(xué)現(xiàn)象。

Brian Hie對(duì)Evo 2的評(píng)價(jià)

斯坦福大學(xué)計(jì)算生物學(xué)家Brian Hie指出，Evo 2發(fā)現(xiàn)了人類難以察覺的DNA序列模式，這體現(xiàn)了AI在生物學(xué)研究中的巨大潛力。Evo 2的成功，為生物學(xué)研究提供了強(qiáng)大的新工具，有望加速對(duì)生命奧秘的探索，并推動(dòng)生物醫(yī)學(xué)領(lǐng)域的創(chuàng)新。

Evo 2的開放性

Evo 2的軟件代碼、數(shù)據(jù)和模型參數(shù)可供公眾免費(fèi)使用，這將促進(jìn)全球科學(xué)界對(duì)該技術(shù)的進(jìn)一步研究和應(yīng)用，推動(dòng)生物學(xué)AI領(lǐng)域的快速發(fā)展。

聯(lián)系作者

文章來源：人工智能學(xué)家
作者微信：
作者簡介：致力成為權(quán)威的人工智能科技媒體和前沿科技研究機(jī)構(gòu)