人工智能揭秘DNA中的“暗物质”

◎本报记者 张佳欣

2003年，科学家首次对人类基因组进行测序，揭示了构成我们生命“蓝图”的全部DNA序列。尽管98%的基因组不直接编码蛋白质，它们仍深刻影响着基因的调控和细胞功能。这些非编码区域曾被视为“垃圾DNA”，但如今被认为可能蕴藏着重要的生物学秘密，就像是基因界的“暗物质”。

今年6月25日，“深度思维”公司宣布，他们开发出一款名为AlphaGenome（阿尔法基因组）的人工智能（AI）模型，有望在破译这一“暗物质”上取得突破。《自然》杂志报道称，这一“从序列到功能”的模型能预测DNA中微小变化会对一系列分子过程产生的影响，为解码人类基因调控机制提供了新路径。

解释DNA序列的“一体化”工具

深度思维公司在2020年推出的“阿尔法折叠2”（AlphaFold 2），成功破解了一个困扰科学界数十年的难题：如何根据蛋白质的氨基酸序列，准确预测其三维结构。这一突破不仅改变了结构生物学研究方式，也推动了新药研发的进程。

相比之下，要理解DNA序列的功能则更加复杂，因为它不像蛋白质那样拥有一个确定的“正确答案”。这些功能主要体现在DNA对基因表达的调控上，比如决定基因什么时候开启或关闭，在哪些细胞中发挥作用，以及以何种强度表达。

如果说蛋白质结构预测是在拼出“零件”的立体模型，那么DNA功能预测就是要理解说明书中每一个符号、注释、开关命令甚至“暗物质”区域的真正含义。其中涉及的信息层级更复杂、关联更广泛，且同一个DNA片段可能在不同时间、不同细胞类型中扮演不同角色，因此建模难度远高于蛋白质。

几十年来，生物学家尝试用各种计算工具来揭示DNA复杂而隐秘的调控机制，但这些模型往往聚焦于单一功能。科学家们渴望一种用于解释DNA序列的“一体化”工具，于是，“阿尔法基因组”应运而生。

据美国趣味工程网站报道称，与以往需在“序列长度”与“预测精度”之间取舍的模型不同，“阿尔法基因组”实现了二者兼得。它既能捕捉长程基因组上下文信息，又能提供碱基层面的精准预测，拓展了疾病生物学、罕见变异研究、合成DNA设计等领域的研究视野。

一次可处理百万个碱基对

据深度思维官网介绍，该模型一次可处理多达100万个碱基对，并预测数千种分子属性，包括基因表达、剪接模式、蛋白质结合位点和染色质可及性，覆盖多种不同类型的细胞。这是首次有AI系统能联合建模如此广泛的调控特征。

“阿尔法基因组”训练所用的数据集来自多个公开的超大规模数据资源。令人惊讶的是，训练一个完整模型仅需4小时，且所需计算资源仅为前代模型的一半。在26项基准测试中，其有24项表现优于或持平于专用模型。

新模型的一大亮点是其变异评分系统，能高效对比突变前后的DNA序列，并跨多种生物通路评估其影响。

“阿尔法基因组”还具备剪接位点建模功能，这是首次有模型能够预测与囊性纤维化、脊髓性肌萎缩等疾病相关的RNA剪接异常。

在合成生物学领域，“阿尔法基因组”可用于设计特定的调控序列，例如仅在神经细胞中激活某些基因，而在肌肉细胞中保持沉默。同时，它也有望用于研究生物效应强烈的罕见遗传变异，如导致孟德尔遗传病的突变。

在一项验证中，研究人员将“阿尔法基因组”应用于先前研究中识别出的某种白血病相关突变。结果，该模型准确预测出，某些非编码区变异会间接激活附近的TAL1致癌基因，这一机制正是T细胞急性淋巴细胞白血病中已知的致病过程。

模型尚不适用于个体诊断

尽管“阿尔法基因组”的表现令人瞩目，但深度思维团队表示，该系统目前仍存在很多限制。它并未设计用于个体基因组解读，也无法像23andMe或临床基因检测那样预测疾病风险或祖源信息。也就是说，该模型不适用于个体诊断或医疗决策。

“阿尔法基因组”目前的训练数据仅限于人类和小鼠，尚未覆盖其他物种，其跨物种适应性尚待验证。同时，它在识别调控元件与远距离靶基因（距离超过10万个碱基）之间关系方面的能力仍较弱，也无法完全建模细胞在不同状态、不同组织中的动态调控机制。

美国冷泉港实验室计算生物学家彼得·库指出：“这些模型往往是在一个固定条件下训练的，但现实中的细胞是动态的，蛋白质水平、DNA化学修饰、转录状态等都会随时间和环境变化，这些变化会显著影响同一段DNA序列的行为。”因此，未来模型需要引入更多“多模态”“多时间尺度”因素，才能更真实地模拟生物过程。