Evo 2模型从“读懂片段”进化到“设计生命”

来源：科技日报

科技日报记者 张梦然

国际顶级学术期刊《自然》近期正式发表了一项汇聚人工智能（AI）与生命科学顶尖智慧的里程碑式成果。由美国Arc研究所、英伟达公司，联合斯坦福大学、加州大学伯克利分校及旧金山分校等机构的研究团队，共同发布了迄今为止规模最大、能力最强的生物学基础模型——Evo 2。

这个基于超过十万个物种、9.3万亿个核苷酸训练而成的AI模型，不仅能以前所未有的精度解读从猛犸象到细菌的遗传密码，更具备了主动“阅读”“书写”乃至“设计”基因序列的潜力，标志着AI驱动生物学时代的真正来临。

让AI模型通晓生命之树

理解基因组，如同破译一部由数十亿碱基对写就、没有标点且充满重复段落的天书。

长期以来，科学家们只能聚焦于特定的基因“段落”，凭借经验和假设进行探索，过程漫长且充满盲点。近年来，随着深度学习技术的爆发，特别是Transformer架构的成功，研究人员开始尝试将自然语言处理方法应用于基因组序列，催生了“基因组语言模型”这一新兴领域。

2024年，Arc研究所等团队在《科学》杂志上发布了Evo 1模型。它通过270万个原核生物和噬菌体基因组进行训练，能预测突变效应，甚至设计出功能完整的CRISPR-Cas系统。但Evo 1的视野仍局限于单细胞生物，对于拥有复杂调控网络的真核生物（包括人类、动植物）基因组则无能为力。

Evo 2的诞生，正是为了跨越这道鸿沟，其目标直指一个能够覆盖生命所有领域（细菌、古菌、真核生物、病毒）的通用型大模型。它不再满足于“读懂”某个物种或某类序列，而是要通晓整个生命之树在数十亿年进化中形成的“通用语言”与“语法规则”，其意义堪比自然语言处理中，从特定领域模型到ChatGPT类通用大模型的飞跃。

万亿数据与全新架构是核心

Evo 2的卓越能力，根植于其前所未有的训练规模与革命性的模型架构。团队为其构建了一个堪称数字生命的“宇宙图书馆”——训练数据集“OpenGenome2”。该数据集囊括了超过9.3万亿个核苷酸，来源于超过12.8万个精心整理的完整基因组及宏基因组数据，横跨所有生命领域，数据量是其前代Evo 1的30倍，确保了模型获得的是真正普遍、通用的“基因组语言学”知识。

处理如此浩瀚且复杂的遗传信息，传统架构在计算效率和长程建模上遇到了瓶颈。Evo 2创新性地结合了卷积过滤器与门控机制，实现了对超长序列的高效处理，能够一次性处理长达100万个核苷酸的基因序列。

而支撑这一宏伟训练的，是超过2000颗英伟达H100 GPU提供的澎湃算力。耗时数月的训练，不仅是为了获得更高的预测精度，更是为了让模型通过海量数据学习产生“进化”，从而将AI的“基因组常识”，演变为“进化直觉”。

开启全新应用图景

Evo 2不仅仅是一个理论奇迹，其核心能力“精准预测”和“生成设计”，正在迅速转化为解决现实世界重大挑战的利器。

在精准预测方面，Evo 2展现了强大的零样本和少样本学习能力。测试中，在区分乳腺癌相关基因BRCA1的有害突变与良性多态性时，其预测准确率超过90%。这对于临床上面临的大量“意义未明变异”的解读具有革命性意义，能极大加速基因诊断和个性化医疗的进程。

而在更具变革性的“生成设计”方面，Evo 2从“阅读”基因组进化到了“写作”基因组。团队已利用Evo 2成功设计了多个基因组尺度的序列，包括模拟生殖支原体的简化基因组、人类线粒体基因组以及酵母染色体片段。

更为激动人心的是，在论文正式发表前，团队已使用Evo系列模型设计并合成了功能性的噬菌体（一种攻击细菌的病毒），其中部分设计序列在导入大肠杆菌后，真的产生了能够杀灭细菌的活病毒。这证明AI设计的DNA序列可以在现实世界中执行预设的生物学功能，为应对抗生素耐药性危机提供了全新思路。

除了生物医学，未来在农业育种领域，Evo 2的跨物种泛化能力使其能同时服务于作物和牲畜的改良，将育种加速推进到“按需设计、精准合成”的新阶段。

但这一技术的应用，必须高度重视伦理与安全，团队已在训练数据中主动排除了对人类有害的病原体基因组，并设置了防护机制，以确保这项强大技术能负责任地发展。

解读Evo 2

Evo 2的诞生，是人工智能与生命科学深度交汇的一座里程碑。它通过吸收整个生命之树的进化印记，获得了理解基因组“通用语法”的能力。从精准解读疾病根源，到编程设计对抗超级细菌的合成噬菌体；从揭开基因调控的奥秘，到为未来农业和医疗提供精准的设计工具，Evo 2正在多个维度拓展人类认知和能力的边界。

尽管从实验室设计到大规模实际应用仍面临合成成本、验证周期等挑战，但方向已然清晰：我们正从一个“阅读生命”的时代，稳步迈入“理解并负责地编写生命”的新纪元。在这个纪元里，Evo 2这样的通用基础模型将成为科学家探索生命奥秘、应对全球健康与粮食安全挑战的强大新伙伴。