加州大学伯克利分校AI医疗：约1000万遗传变异筛选，显著基因由383增至402

龙哥导读

人类基因组有数十亿个字母，真正影响疾病、性状和药物反应的变异只是其中很小一部分。加州大学伯克利分校等机构发表在 Nature 的 GPN-Star，没有继续把模型一味做大，而是把不同物种的全基因组比对和物种树直接交给模型。它在约1000万遗传变异、106种复杂性状上评估功能约束，并把稀有变异分析中的显著基因从383个提高到402个。最值得看的，是“进化历史”如何被变成可计算的监督信号。

同一个基因位置发生一个字母变化，有时完全无害，有时却会影响蛋白质、基因开关乃至疾病风险。实验逐个验证当然可靠，但面对全基因组数以百万计的候选变异，时间和成本都不允许。

机器学习因此承担一个重要筛选任务：先判断哪些变化更可能破坏功能，把有限实验资源集中到最值得研究的位置。问题是，只阅读人类自身的脱氧核糖核酸序列，模型很难知道一个位置究竟重要不重要。

GPN-Star的思路很朴素：不要只读一本人类基因组，而要把几十到上百个物种共同保存下来的“修订历史”一起读。如果某个字母经过数千万年仍很少改变，它通常承受较强功能约束；若一个区域变化很多，模型还要结合上下文判断哪些组合仍然有用。

图1：GPN-Star整体架构。左侧把多物种全基因组比对按物种树压成类群表示，中间通过序列内部注意力与进化跨注意力融合上下文，右侧分别训练脊椎动物、哺乳动物和灵长类时间尺度的模型。来源：Nature论文图1。

一、为什么模型越来越大，仍可能输给几十年前的进化统计

基因组语言模型通常把脱氧核糖核酸当作由四种字母组成的语言。训练时遮住一部分字母，让模型根据周围序列猜回来。一个位置越容易被模型准确预测，说明它的上下文规律越强；某个替换导致概率骤降，则可能破坏原有功能。

这种方法不需要疾病标签，可以利用海量未标注基因组数据。但论文指出，标准语言模型即使参数很大、训练成本很高，在一些人类变异解释任务上仍不如传统进化保守性方法。尤其是非编码区和远端增强子，序列模式复杂，单看一个物种很难辨认。

传统方法的优势来自跨物种比较。它们把人、猴、鼠、鸟等物种的同源位置对齐，统计哪些位置长期不变，再估计选择压力。虽然模型简单，却直接拿到了“自然选择做过无数轮实验”的结果。

GPN-Star并不否定语言模型，而是把两条路线合并：神经网络负责理解序列上下文和字母之间的依赖，物种比对提供明确的进化证据。它的关键判断是：有价值的信息不一定要靠扩大参数隐式学出来，结构化先验可以直接送进模型。

二、第一步：把不同物种的同一段基因组排在一起

模型的输入不是一条人类序列，而是一段多物种全基因组比对。可以把它想象成一张表格：每一行是一个物种，每一列尽量对应共同祖先中的同一位置。缺失、插入和物种差异会让表格出现空位，但保留下来的对应关系极有价值。

论文把序列分成目标物种和来源物种。目标序列是模型要预测被遮住字母的对象；来源序列提供其他物种在对应位置的证据。这样，模型既能看目标物种自身上下文，也能问：“亲缘近或亲缘远的物种在这里写了什么？”

如果把上百个物种原样送进注意力，计算量会很大，而且近缘物种的重复信息过多。GPN-Star按照物种树把相近来源物种分组，再用注意力池化压成类群级表示。多个相似物种先汇总为一个“家族意见”，模型随后处理的对象更少。

这一步类似阅读多份历史文献：不是把一百个几乎相同的抄本逐字比较，而是先按版本谱系归类，再看不同分支保留了哪些共同内容。分组既减少冗余，也让物种树真正进入计算过程。

三、两种注意力分工：一条看句子，一条看进化

每个编码模块先使用序列内部注意力，让目标物种同一段里的字母互相交流。它负责学习局部语法，例如一个启动子周围的组合、剪接位置两侧的依赖，或者蛋白质编码区中相邻密码子的结构。

随后，进化跨注意力把目标序列与来源类群表示连接起来。权重不只来自字母相似度，还参考物种树中的进化距离。近缘物种能提供近期约束，远缘物种则帮助识别跨越漫长时间仍被保留的核心功能。

两类注意力交替堆叠后，模型输出每个位置四种碱基的概率。训练仍然是遮住字母再预测，但预测依据已经从“周围怎么写”扩展为“周围怎么写、其他物种怎么写、它们与目标物种有多远”。

判断一个变异时，模型比较参考字母与替换字母的概率。若替换字母在当前序列和进化上下文中都非常不合理，功能约束分数就更高。它不是直接宣布“致病”，而是在回答“这个变化与长期保留下来的规律有多冲突”。

四、为什么还要校准突变率：少见不一定因为有害

一个位置很少变化，可能是因为变异会损害生物、被自然选择清除；也可能只是这个位置本来就不容易发生突变。如果模型把两者混在一起，就会把“难变”误判成“重要”。

GPN-Star使用高置信中性位点估计背景突变效应，再对模型分数做校准。中性位点被认为较少承受功能选择，因此更适合反映不同序列环境中的自然突变倾向。

校准后，分数更聚焦选择压力，而不是仅仅复述哪里容易出现字母替换。论文在第22号染色体上观察到，校准降低了模型分数与突变率估计之间的相关性，同时多数下游任务表现提高。

这一步很容易被忽略，却决定分数能否解释。对医疗研究而言，“这个位置少见”与“这个位置有功能约束”是两种不同结论，后者才更接近变异优先级需要的信息。

五、三种进化时间尺度：不是看得越远越好

团队分别基于脊椎动物、哺乳动物和灵长类全基因组比对训练三套人类模型。三者像三种时间焦距：脊椎动物跨越更深历史，适合捕捉生命长期不能改变的核心结构；灵长类更接近人类，能观察近期出现的调控约束。

实验显示，深时间尺度通常更擅长蛋白质编码区和高度保守区域；哺乳动物、灵长类模型在非编码区、启动子和远端增强子上更有优势。原因并不神秘：很多调控元件在较近的演化阶段才形成，拿过于遥远的物种比较反而缺少对应关系。

复杂性状也呈现不同偏好。论文发现，灵长类模型更容易捕捉高度多基因性状相关变异，哺乳动物模型则对多基因程度较低的性状相对更有信息。这说明“正确时间尺度”取决于生物问题，而不是统一选择最大物种跨度。

这篇论文一个很重要的结论是：进化历史也有分辨率，模型要选择与任务匹配的时间镜头。

六、200M参数为什么值得关注：把知识显式给模型，比让它硬猜省得多

论文重点使用约2亿参数模型，在8张A100图形处理器上训练数天。对普通实验室仍然不便宜，但与依赖超大规模单序列预训练的路线相比，资源量小了很多。

论文举例，一些单序列基因组模型需要128张A100训练一个月，另一些更大模型使用超过2000张H100训练数月。它们必须从海量原始序列中隐式发现同源关系和进化约束，同时换来更广泛的生成与序列处理能力。

GPN-Star则提前获得全基因组比对和物种树。它不必先猜哪些序列同源，直接围绕约束预测学习。代价是推理时也需要对应比对，灵活性低于只输入一条序列的模型。

这是一种典型工程取舍：更强先验降低训练规模，却增加数据准备和推理依赖。如果任务明确是基因变异功能约束，这个交换很划算；若要处理新插入、大片段结构变异或自由生成基因组，固定比对格式就会成为限制。

七、人类变异实验：编码区和非编码区都要过关

论文把模型放进一组跨度很大的任务。编码区包括临床数据库中的致病与良性错义变异、癌症高频体细胞变异、蛋白质深度突变扫描；非编码区包括疾病相关变异、启动子以及全基因组关联研究精细定位后的候选位点。

脊椎动物模型在多个编码区任务上表现最好，说明深层进化对蛋白质核心功能特别有效。哺乳动物模型在疾病相关非编码变异、启动子和精细定位任务中领先，尤其在远端增强子上拉开差距。

远端增强子是基因组解释中的难点。它们不编码蛋白质，却能在较远位置调节基因开启与关闭；同一序列模式在不同组织中的作用还可能不同。只靠局部人类序列，模型容易错过其功能背景。

GPN-Star利用近缘物种的调控保守性补足这一信号。在论文的非编码疾病变异和关联研究候选中，它超过多种序列到功能模型。这里不是说功能组学不重要，而是证明跨物种进化能提供另一类互补证据。

图2：人类变异效应综合评测。上半部分覆盖编码、癌症、蛋白质实验和非编码疾病变异，下半部分比较三种进化时间尺度，并展示加入GPN-Star后稀有变异分析发现与复现的基因数量。来源：Nature论文图2。

八、稀有变异分析：显著基因383增至402，为什么不是简单多报19个

稀有变异单个出现次数太少，很难像常见变异那样逐个位点做统计。研究者通常把同一基因内的多个稀有变异聚合，再根据功能注释给不同变异不同权重，判断该基因是否与某个性状相关。

团队把三种GPN-Star分数加入深度稀有变异关联方法，在英国生物样本库161822名无亲缘欧洲血统参与者、34项定量性状上运行三次不同随机初始化。显著基因平均从383个增加到402个。

数量增加本身可能意味着误报，所以论文继续检查这些基因—表型关联能否在样本更大的传统研究中复现。复现关联平均从338个增加到353个，说明新增结果中有相当部分获得外部统计支持。

原始方法已经包含多种强变异注释，GPN-Star仍带来增益，说明它提供了现有预测器未完全覆盖的进化信息。真正有意义的不是多找到19个显著基因，而是其中可复现关联也增加了15个。

九、约1000万变异与106种性状：模型是否抓住复杂性状遗传力

很多常见疾病和人体性状不是由一个强变异决定，而是成千上万个小效应变异共同影响。评估模型时，不能只看已知致病位点，还要问它挑出的高约束变异是否集中承载了更多遗传力。

论文对9997231个参考单碱基变异进行标注，其中5961159个是常见变异，并在106种相互独立的复杂性状上汇总分析。主要设置选择每个模型分数最高的0.1%约束变异，同时控制96项基础注释。

结果显示，灵长类GPN-Star在遗传力富集上超过长期作为强基线的灵长类保守性分数，哺乳动物版本紧随其后。优势在编码区和非编码区都存在，在非编码区尤其明显。

前0.1%变异中，错义变异占33%，相对背景富集170倍；远端增强子区域变异占26%，富集2.4倍。这组构成解释了模型为何同时服务罕见病变异和复杂性状研究：它既抓核心蛋白质变化，也抓调控区域。

图3：106种复杂性状的遗传力分析。图中比较不同模型在编码区、非编码区和不同阈值下的富集，并展示灵长类与哺乳动物时间尺度和性状多基因程度之间的关系。来源：Nature论文图3。

十、组织特异性：只读进化，仍不知道变异在哪个器官起作用

GPN-Star从脱氧核糖核酸和进化历史学习，本身不知道一个调控元件在脑、肝脏还是免疫细胞中活跃。对组织特异疾病，这会限制解释能力。

论文尝试一种简单补充：只保留靠近组织特异表达基因，或位于组织特异调控元件中的高分变异。脑和血液免疫等组织多数得到改善，但并非稳定超过不区分组织的原始分数。

这说明进化约束与组织功能是互补视角。前者回答一个位置在物种历史中是否重要，后者回答它在当前人体哪个细胞环境中发挥作用。只靠任意一边都难以完成精确医疗解释。

未来更合理的路线不是让进化模型替代功能组学，而是把序列、跨物种约束、染色质、表达和组织信息联合起来。论文的结果恰好展示了这种多模态基因组模型可能获得的空间。

十一、模型学到的不只是单点保守，还包括字母之间的依赖

传统保守性分数通常独立评价每个位置：这一列在多少物种中不变。它难以表达两个相距几十个字母的位置是否必须配合，或者一个结合位点是否依赖周围启动子结构。

GPN-Star通过系统改变每个位置，观察其他位置的预测概率如何变化，形成核苷酸依赖图。论文在转录因子结合位点、编码区和剪接位点中看到符合已知生物机制的互动块。

这能解释一些传统方法漏掉的致病变异：变异位置本身未必高度保守，但它处在一个功能元件内，且会破坏与周围序列的组合关系。模型读取上下文后给出高风险分数，而单点保守方法接近中性。

反过来，一个位置即使完全保守，如果具体替换对分子功能影响较小，模型也可能给出较低约束。从“这个字母有没有变过”走向“这个字母在整段语法里承担什么作用”，是神经网络相对传统分数的真正增量。

十二、群体频率验证：高风险尾部是否真的更稀有

有害变异通常受到净化选择，在人群中更难达到高频。论文因此使用76156人的全基因组群体数据，检查模型判为最有害的变异是否确实更稀有。

在没有参与训练的第22号染色体上，三种时间尺度的GPN-Star低分位变异平均频率都低于对应传统方法，说明模型尾部更集中地捕捉受到选择压制的变化。

进一步固定误报数量后，模型高风险尾部的单例变异相对常见变异富集更高；按错义、同义和非编码类别分开看，GPN-Star几乎都保持领先。脊椎动物模型对错义变异最好，哺乳动物模型对同义和非编码类别更强。

图4：模型分数与人群选择约束的关系。图中比较不同分数区间的等位基因频率、稀有变异富集，以及校准前后分数与突变率和约束估计的相关性。来源：Nature论文图4。

十三、不只做人类：五种模式生物验证了通用性

团队还为小鼠、鸡、果蝇、线虫和拟南芥训练模型，每种使用18到135个物种的全基因组比对。训练流程只做少量调整，说明架构不依赖人类特有数据库。

五种生物中，模型预测尾部都更富集稀有变异；在小鼠致病变异、果蝇和线虫致死变异上，也超过传统进化方法。对于缺乏大规模医学标签的模式生物，群体频率提供了可用的间接评测。

拟南芥的优势较小。论文认为可能与植物全基因组比对规模较小、质量较低有关。这一结果提醒我们：模型通用不代表数据基础同样成熟，输入比对的完整性直接限制上限。

跨物种应用的实际价值很大。药物研究常依赖小鼠，发育与调控研究常用果蝇和线虫，作物改良需要植物变异解释。统一框架可以帮助研究者先筛选实验候选，再做湿实验验证。

十四、资源开放：模型、数据与全基因组预测都能直接使用

论文公开了训练与推理代码、模型、训练数据、基准数据，以及人类和五种模式生物所有可能单碱基变异的预计算分数。对于不想自行运行全基因组比对的团队，预计算结果显著降低使用门槛。

研究者可以把分数作为变异注释，与现有临床数据库、群体频率、功能实验或统计关联模型联合使用。药物靶点团队可以优先查看与疾病性状相关且进化约束较强的变异，稀有病团队则可将其作为候选排序的一层。

需要注意，预计算分数针对单碱基替换。插入、缺失和大片段结构变异不天然适配固定比对输入；新的基因组版本、非标准物种或私人变异数据也可能需要重新对齐和推理。

开源让结果更容易进入下游研究，但不会自动变成临床工具。真正进入诊断流程还要经过人群多样性、疾病专用数据、实验验证、监管和解释标准等环节。

十五、局限：它预测功能约束，不等于直接预测疾病

第一，模型分数反映特定进化时间尺度下的功能约束，不是通用致病概率。一个高度约束变异可能影响功能，但是否导致某种疾病，还取决于遗传方式、组织、环境和个体背景。

第二，推理依赖全基因组比对与固定物种树。比对错误、缺失物种和碎片化同线性区块都会干扰上下文。论文也观察到，简单扩大序列窗口带来的收益有限，过长窗口甚至可能包含在其他物种中并不连续的片段。

第三，当前模型以组织无关方式学习。虽然简单加入组织注释能改善部分结果，但尚未稳定解决不同细胞类型中的调控差异。对癌症、神经疾病和免疫疾病，这类组织环境往往决定变异真正产生什么影响。

第四，主要证据仍是计算评测和统计关联。显著基因增加、遗传力富集提高，并不等于这些候选已经完成机制实验或临床验证。它适合缩小搜索范围，不能替代遗传咨询、临床判读和功能实验。

十六、龙哥点评：生物大模型不一定只靠规模，正确知识结构更重要

龙哥认为，GPN-Star最有启发的地方，是它没有把“模型不够好”简单归因于参数不够多。人类已经积累了全基因组比对、物种树和进化模型，这些知识如果只作为评测基线，而不进入神经网络，就浪费了几十年的生物信息学资产。

它也提醒生命科学团队，模型结构必须服从问题。若目标是判断单碱基功能约束，显式同源信息比无限扩大上下文更直接；若目标是生成新序列、分析结构变异或处理没有比对的新物种，单序列模型的灵活性又更重要。

对普通研究者，最实用的价值在于预计算分数和开源资源。并非每个团队都需要重训2亿参数模型，可以先把官方分数接入自己的变异筛选流程，检查它是否提高已知阳性变异排名，再决定是否投入更多计算。

把这项工作与近期生命科学智能体和生物模型工具放在一起看，行业正在从“提供一个通用聊天模型”转向“把专业数据结构、验证方法和工作流真正接进去”。未来的生物AI竞争，很可能不是谁的参数最大，而是谁把实验与进化知识组织得更正确。

十七、龙迷三问

1. 模型说一个变异约束很强，就能判定致病吗？

不能。高约束表示该变化更可能破坏长期保留的功能规律，是重要筛选证据之一。临床判定还需要人群频率、家系共分离、疾病机制、实验结果和专业指南，不能由单个模型分数完成。

2. 为什么不直接使用最大的基因组模型？

大模型更灵活，但要从原始序列中自己学习进化同源关系，计算成本很高。GPN-Star把物种比对和物种树作为输入，在约束预测上更高效；代价是依赖固定比对，对插入、缺失和结构变异不够自然。

3. 没有大量显卡的实验室能用吗？

可以先使用公开的全基因组预计算分数、模型和基准数据，不必自行重训。若研究新物种或新比对，才需要准备全基因组比对并运行模型；此时数据质量与存储流程往往和显卡数量同样重要。

十八、总结

GPN-Star把多物种全基因组比对和物种树直接纳入基因组语言模型。序列内部注意力学习局部语法，进化跨注意力按物种距离整合来源信息，中性位点校准则分离背景突变率与选择压力。

三种人类模型覆盖脊椎动物、哺乳动物和灵长类时间尺度，在编码、非编码、启动子、关联研究精细定位和群体约束任务上展示不同优势。约1000万变异、106种性状分析显示其高分变异承载更强遗传力；加入稀有变异流程后，显著基因从383增至402，可复现关联从338增至353。

模型还扩展到五种模式生物，并公开代码、模型、数据和全基因组单碱基预测。它不会替代临床与实验验证，但提供了一种更有效的候选筛选器。这项工作的核心不是让模型读更多字母，而是让它读懂数千万年进化留下的修改痕迹。

本文基于龙哥读论文PaperDaily数据库及PaperMiner的MCP进行汇总整理。本文为论文解读与个人学习笔记，不构成任何论文审核意见，及对产品能力、安全性或商业可用性的保证。