

生物版 Deepseek 来了！Evo2 震撼发布，多重升级！

舒桐科技

2025-02-25

点击蓝字关注我们

近年来，人工智能在生物学领域的应用不断深化，特别是在基因组学研究中，大规模语言模型展现出前所未有的潜力。2024年，由Patrick Hsu 和 Brian Hie 等团队联合发布的Evo模型，标志着生物基础模型进入了一个新纪元。2025 年 2 月 19 日，来自 Arc Institute、英伟达、斯坦福大学、加州大学伯克利分校和加州大学旧金山分校的科学家们，再次联合发布了升级版 Evo2，系统性地展示了这一模型在基因组建模与设计中的突破性进展，其核心在于通过海量数据训练和创新的架构设计，实现了对生命三大域（原核生物、古菌、真核生物）基因组的统一建模能力，并在功能预测、序列生成和表观遗传调控设计等方面树立了新的标杆。

研究背景与科学问题

基因组是生命信息的核心载体，其复杂性远超人类直觉所能解析。尽管基因测序和编辑技术已极大推动了生物学研究，但理解基因组编码的深层逻辑仍面临巨大挑战。传统方法依赖领域知识和实验验证，效率有限。近年来，基于深度学习的基因组语言模型虽在原核生物中取得进展，但在真核生物中的应用受限于基因组结构的复杂性——如长非编码区、可变剪接和表观遗传调控网络等。Evo 2的提出正是为了突破这一瓶颈，构建一个能够跨生命域、跨分子尺度的通用生物基础模型，从而实现对基因组功能的系统性解码与设计。

方法与技术创新

Evo 2的核心创新体现在三个方面：数据规模、模型架构和训练策略。首先，其训练数据集OpenGenome2涵盖了9.3万亿DNA碱基对，包含细菌、古菌、真核生物及噬菌体的基因组，并通过严格去冗余和功能区域加权，确保模型优先学习基因编码区等关键生物学元件。其次，模型采用StripedHyena 2架构，这是一种新型的卷积混合架构，通过组合短、中、长程的卷积操作符和注意力机制，显著提升了长序列处理的效率。例如，在40B参数规模下，其训练速度比传统Transformer快3倍，且支持百万级令牌的上下文窗口，能够捕获染色体尺度的基因组相互作用。最后，两阶段训练策略（短上下文预训练和长上下文中期训练）使模型既能掌握局部功能元件，又能理解全局基因组架构。

关键实验结果

论文通过多维度实验验证了Evo 2的卓越性能。在功能预测方面，Evo 2首次实现了对非编码变异致病性的零样本预测，其AUROC在ClinVar非编码SNV分类中达到0.83，超越现有所有模型。特别值得关注的是其对剪接变异（SpliceVarDB）的预测能力，AUROC高达0.91，这对解析罕见病机制具有重要意义。对于BRCA1/2等临床关键基因的变异分类，基于Evo 2嵌入的监督模型AUROC达到0.95，较AlphaMissense等专用模型提升显著。这些成果表明，模型不仅捕捉了基因组的进化约束，还隐含了复杂的调控逻辑。

在机制可解释性方面，研究团队通过稀疏自编码器（SAE）揭示了模型内部丰富的生物学特征。例如，特征f/19746能特异性激活原核基因组中的前噬菌体区域，而f/1050和f/25666则分别对应外显子起始和终止位点。更令人惊叹的是，模型从DNA序列中自发学习到蛋白质二级结构特征（如α螺旋和β折叠），这为跨尺度生物学研究提供了新视角。此外，将SAE特征应用于已灭绝物种（如猛犸象）的基因组注释，验证了这些特征的普适性，暗示模型可能捕捉到跨物种的进化保守规律。

基因组生成与表观设计

Evo 2的生成能力是其另一大亮点。研究显示，模型可生成完整的人类线粒体基因组（16kb），其编码基因数量与天然序列一致，且生成的蛋白质经AlphaFold 3预测具有正确折叠结构。在酵母染色体生成任务中，模型虽在tRNA密度上略低于天然序列，但成功保留了启动子定位和内含子结构。更前沿的是，通过结合Enformer和Borzoi等表观预测模型，Evo 2实现了染色质可及性区域的可控生成。例如，研究者将莫尔斯电码编码为开放染色质峰，生成的DNA序列不仅符合设计模式，还保持了天然核苷酸频率，展示了"生成表观基因组学"的可能性。这一突破为合成生物学提供了新范式——未来或可通过指定表观特征设计人工基因回路。

开放科学与伦理考量

Evo 2的全面开源（包括参数、代码和数据集）体现了开放科学的理念。作为目前最大的全开源AI模型之一，其释放将加速生物医学研究的民主化进程。然而，论文也审慎讨论了潜在风险：训练数据排除了真核感染病毒，导致模型在此类序列上表现随机化，这种"功能沉默"设计旨在防止恶意滥用。此外，模型在人群偏倚分析中表现出与其他无种群数据方法相当的公平性，但其临床转化仍需严格验证。

未来展望与挑战

尽管Evo 2取得了里程碑式进展，其发展仍面临多重挑战。首先，当前生成序列的功能验证依赖计算预测（如AlphaFold），亟需湿实验验证其生物学活性。其次，模型对病毒序列的回避虽降低了生物安全风险，但也限制了其在病毒学研究中的应用，未来需探索更精细的风险控制策略。此外，如何整合多组学数据（如转录组、表观组）构建"虚拟细胞"模型，将是下一代生物基础模型的重要方向。

Evo 2的诞生标志着生物计算从单一任务优化迈向通用智能的新阶段。其不仅为基因组学研究提供了强大工具，更重新定义了"生命作为信息系统"的理解框架。从解析远古基因组的进化密码，到设计治疗疾病的人工染色体，这项研究为合成生物学和精准医学开辟了前所未有的可能性。随着计算与实验的深度融合，我们正站在解码生命语言的门槛上，而Evo 2无疑是这趟旅程中照亮前路的重要火炬。

关于舒桐

珠海舒桐医疗科技有限公司是一家以基因编辑为核心技术的生物医药企业，总部位于粤澳深度合作区——横琴新区，下设鼓润（武汉）医疗科技有限公司、广州舒桐医疗科技有限公司和杭州舒桐生物科技有限公司等全资子公司。公司为国家高新技术企业，拥有博士后工作站和多个博士后团队，已申请专利40余项，承担多项国家科技重大专项。公司致力于通过创新技术为多种疾病尤其肿瘤开展新药研发，提供基因靶向治疗方案。同时公司搭建了一站式基因编辑平台、分子诊断平台和科技服务平台，可提供从靶点筛选、基因编辑有效性检测到安全性评估的全流程解决方案；具备先进的CGT原料规模化生产能力，可为科研机构及生物医药企业提供安全高效的一站式服务和原料供应。舒桐医疗坚持以“创新、敬业、融合、开放”为核心价值观，致力于利用基因治疗技术造福人类健康，让生命更美好。