在生命科學(xué)的前沿探索中，我們早已能高效“讀出”生命的序列，但如何從30億堿基對中“讀懂”生命奧秘，長期以來都是一項(xiàng)巨大挑戰(zhàn)，如同在沒有地圖的荒野中尋找路徑。

10月23日，在第二十屆國際基因組學(xué)大會（ICG-20）上，華大生命科學(xué)研究院與之江實(shí)驗(yàn)室聯(lián)合發(fā)布了全球首個(gè)百億參數(shù)人類基因組通用基礎(chǔ)模型——Genos。這一針對人類基因組深度優(yōu)化的基因組基礎(chǔ)模型，可支持高達(dá)百萬堿基對的超長上下文分析，并實(shí)現(xiàn)單堿基分辨率的精準(zhǔn)識別。

Genos的推出標(biāo)志著基因組研究從“讀出”堿基序列邁向“讀懂”生命底層邏輯的一次關(guān)鍵轉(zhuǎn)折，有望為臨床疾病診斷、個(gè)人基因組解讀及前沿科學(xué)研究帶來突破性變革。

據(jù)悉，Genos的相關(guān)成果已發(fā)表于國際學(xué)術(shù)期刊

GigaScience

文章截圖

（https://doi.org/10.1093/gigascience/giaf132）

廣度、深度、效率兼具

一款真正具有生產(chǎn)力的基因組大模型

要讀懂“生命之書”，首先需要一本完整的“字典”。

基因組學(xué)領(lǐng)域內(nèi)的現(xiàn)有模型大多基于一到兩個(gè)參考基因組進(jìn)行訓(xùn)練，難以捕捉人類豐富的遺傳多樣性。而Genos則系統(tǒng)整合了人類泛基因組參考聯(lián)盟（HPRC）、人類基因組結(jié)構(gòu)變異圖譜計(jì)劃（HGSVC）等多個(gè)權(quán)威公開資源，首次匯聚了全球范圍內(nèi)636個(gè)“端粒到端?！保═2T）級別的高質(zhì)量人類基因組作為訓(xùn)練數(shù)據(jù)。這些數(shù)據(jù)覆蓋了全球不同人群，旨在從源頭減少數(shù)據(jù)偏見，更全面地代表人類遺傳多樣性。

基因組的語言極其復(fù)雜，一個(gè)微小的單堿基突變，其影響可能由百萬堿基之外的“遙遠(yuǎn)”調(diào)控元件決定。這要求模型既要有“顯微鏡”般的單堿基精度，又要有“廣角鏡”般的百萬級超長上下文理解能力。

如同閱讀一部鴻篇巨著，既能一字不差地記住細(xì)節(jié)，又能洞悉全局的宏大敘事。Genos通過混合專家（Mixture-of-Experts, MoE）架構(gòu)，巧妙地解決了這一挑戰(zhàn)。MoE架構(gòu)如同一個(gè)擁有眾多頂尖專家的智慧團(tuán)隊(duì)，面對任務(wù)時(shí)，總能精準(zhǔn)調(diào)度最相關(guān)的幾位專家協(xié)同處理，而不是調(diào)動(dòng)所有人全部待命。這一“按需激活”的機(jī)制，讓Genos在擁有百億級參數(shù)的龐大知識總量的同時(shí)，推理成本和資源消耗卻遠(yuǎn)低于同等規(guī)模的模型，真正實(shí)現(xiàn)了“既強(qiáng)大，又好用”。

Genos模型設(shè)計(jì)圖

為了全面驗(yàn)證模型的性能，研發(fā)團(tuán)隊(duì)進(jìn)行了一系列測試。在基因組元件識別、遠(yuǎn)程調(diào)控預(yù)測、突變致病性預(yù)測等經(jīng)典評測任務(wù)里，Genos在超過一半的任務(wù)里比所有現(xiàn)有模型都表現(xiàn)更好，而且長序列評測任務(wù)里，如突變熱點(diǎn)識別和族群分類上，Genos的表現(xiàn)遠(yuǎn)超同類模型，展現(xiàn)了其強(qiáng)大的上下文分析能力，有效破譯基因組中的“暗物質(zhì)”。

更重要的是，Genos在直接面向臨床應(yīng)用的致病性突變解讀任務(wù)中，實(shí)現(xiàn)了92%的準(zhǔn)確性，當(dāng)結(jié)合021科學(xué)基礎(chǔ)模型后，準(zhǔn)確率更是高達(dá)98.3%，為臨床診斷提供了全新的高效工具。綜合多項(xiàng)評測結(jié)果，Genos在各項(xiàng)核心任務(wù)中的表現(xiàn)均全面超越了現(xiàn)有最佳水平（SOTA），證明了其卓越且全面的能力。

共有、共為、共享

讓前沿科技觸手可及

一個(gè)模型無論多么強(qiáng)大，如果不能被方便地部署和使用，其價(jià)值便大打折扣。目前，全球基因組學(xué)領(lǐng)域尚無一款能夠被開發(fā)者和研究者直接部署、用于下游應(yīng)用的百億級人類基因組基礎(chǔ)大模型。而Genos的發(fā)布，則填補(bǔ)了這一空白。它是一個(gè)可以走向臨床、走向個(gè)人、走向每一個(gè)實(shí)驗(yàn)室的“實(shí)踐先鋒”，為無限的下游應(yīng)用創(chuàng)新提供了堅(jiān)實(shí)的地基。

今年是人類基因組草圖繪制完成25周年。“共有、共為、共享”，既是人類基因組計(jì)劃的精神傳承，也是Genos與生俱來的核心理念。

發(fā)布會上，華大生命科學(xué)研究院宣布，Genos模型將全面、徹底地開源開放，且同時(shí)提供12億和100億參數(shù)兩個(gè)版本，滿足不同應(yīng)用場景的需求。目前，兩個(gè)版本的模型權(quán)重、架構(gòu)細(xì)節(jié)與完整訓(xùn)練流程，均已在GitHub、Hugging Face、魔搭等平臺依據(jù)MIT開源協(xié)議公開發(fā)布，供全球開發(fā)者和科研人員自由使用。同時(shí)，在之江實(shí)驗(yàn)室的開放平臺Zero2X也已發(fā)布。

另外，考慮到并非所有使用者都擁有強(qiáng)大的算力資源，該模型已被深度整合進(jìn)DCS Cloud云平臺。用戶無需進(jìn)行復(fù)雜的安裝配置，即可一鍵調(diào)用Genos，平臺為每個(gè)賬戶提供了高達(dá)10萬次的免費(fèi)推理服務(wù)，極大地降低了基因組智能分析的門檻。

目前，在科研領(lǐng)域，Genos模型通過與DCS cloud結(jié)合，能僅憑DNA序列“秒級”預(yù)測RNA表達(dá)譜，將過去數(shù)周甚至數(shù)月才能完成的生物信息分析流程極大提速。此外，Genos模型也已整合進(jìn)生命科學(xué)數(shù)據(jù)庫CNGBdb，可幫助用戶精準(zhǔn)預(yù)測細(xì)胞表達(dá)量，高效篩選和驗(yàn)證關(guān)鍵候選基因，大幅加速科研發(fā)現(xiàn)。

在臨床應(yīng)用領(lǐng)域，Genos模型與華大已發(fā)布的GeneT深度思考模型結(jié)合，能為遺傳疾病診斷提供專家級的多模態(tài)解讀。而在個(gè)人健康領(lǐng)域，目前Genos模型已整合進(jìn)BGE平臺，將賦能個(gè)人基因組報(bào)告解讀，把復(fù)雜的生命代碼翻譯成每個(gè)人都能讀懂的、個(gè)性化的健康“說明書”。

值得一提的是，Genos的誕生，源自一次大膽的跨界融合與人才培養(yǎng)實(shí)踐。該模型的核心研發(fā)團(tuán)隊(duì)，來自華大生命科學(xué)研究院與之江實(shí)驗(yàn)室聯(lián)合發(fā)起的“大模型種子班”。這個(gè)匯聚了生物信息專家與計(jì)算科學(xué)骨干的精英團(tuán)隊(duì)，依托“以問題導(dǎo)向?qū)嵱?xùn)、以任務(wù)驅(qū)動(dòng)創(chuàng)新”的模式，正推動(dòng)生命科學(xué)研究從“數(shù)據(jù)挖掘”邁向“智能涌現(xiàn)”的新紀(jì)元。也正是這種跨界碰撞，為Genos的顛覆性創(chuàng)新注入了最核心的動(dòng)力。

此次Genos的發(fā)布，標(biāo)志著一個(gè)新時(shí)代的開啟：一個(gè)基因組智能分析的時(shí)代，一個(gè)人人都能讀懂自己生命天書的時(shí)代，正加速到來。為持續(xù)推動(dòng)模型迭代，華大生命科學(xué)研究院近期還聯(lián)合國內(nèi)外多家單位共同發(fā)起了和兩項(xiàng)大科學(xué)計(jì)劃。其中，“十萬長讀長大人群聯(lián)盟”將依托最新的Cyclone長讀長測序技術(shù)，完成10萬人的“端粒到端粒”級別完整基因組測序，為基因組大模型提供高質(zhì)量的訓(xùn)練數(shù)據(jù)。而“百億細(xì)胞計(jì)劃”則將依托Stereo-Cell超高通量細(xì)胞組學(xué)技術(shù)，完成百億細(xì)胞測序，助力基因和細(xì)胞的融合大模型開發(fā)。從基因組到多組學(xué)，一個(gè)更強(qiáng)大的生命科學(xué)基礎(chǔ)模型正在孕育之中。

讓我知道你“在看”