💡
原文中文，约2100字，阅读约需5分钟。
📝
内容提要
阿里云的AI for Science团队推出了生成式DNA大模型GENERator，具备超长序列建模和跨物种泛化能力，能够生成真实蛋白质的DNA序列，并设计基因开关，推动基因组学研究。未来将扩展应用于原核生物和临床基因组学。
🎯
关键要点
- 阿里云的AI for Science团队推出了生成式DNA大模型GENERator，具备超长序列建模和跨物种泛化能力。
- GENERator能够生成真实蛋白质的DNA序列，并设计基因开关，推动基因组学研究。
- 模型具有98k碱基对的上下文长度和12亿参数，能够精准捕捉复杂的基因结构。
- 训练数据涵盖3860亿bp的真核生物DNA数据，适用于广泛的基因组分析任务。
- GENERator在多项benchmark指标中展现出顶尖水平，与姊妹模型GENERanno并列登顶SOTA。
- 生成可翻译成真实蛋白质的DNA序列，成功再造组蛋白/P450家族的新变体。
- 生成序列的PPL分布与天然家族高度吻合，显示出其生物学意义。
- 利用AlphaFold3预测生成蛋白质的三维结构，结果显示与已知结构高度相似。
- 通过简单指令设计高/低活性基因开关，为合成生物学和基因工程提供新工具。
- 基于DeepSTARR的启动子活性数据，开发了启动子活性预测器，准确率超越现有模型。
- 采用基因序列训练策略，专注于DNA的核心语义信息，显著提升模型表现。
- 选择6-mer分词器提升生成任务表现，平衡序列分辨率和上下文覆盖范围。
- 未来计划扩展模型应用于原核生物和临床基因组学，推动精准医疗和生物技术干预。
❓
延伸问答
GENERator模型的主要功能是什么？
GENERator模型能够生成真实蛋白质的DNA序列，并设计基因开关，推动基因组学研究。
GENERator在性能上与其他模型相比如何？
GENERator在多项benchmark指标中展现出顶尖水平，与姊妹模型GENERanno并列登顶SOTA。
该模型如何处理DNA序列的训练数据？
训练数据涵盖3860亿bp的真核生物DNA数据，专注于DNA的核心语义信息，显著提升模型表现。
如何利用GENERator设计基因开关？
通过简单指令设计高/低活性基因开关，为合成生物学和基因工程提供新工具。
GENERator的未来应用计划是什么？
未来计划扩展模型应用于原核生物和临床基因组学，推动精准医疗和生物技术干预。
生成的DNA序列与天然序列的相似性如何？
生成序列的PPL分布与天然家族高度吻合，显示出其生物学意义。
➡️
