引言

我们正处在一个前所未有的生物学时代。每天，巨量的基因组序列数据如潮水般涌现，从我们人类到最微小的古菌，生命的蓝图以前所未有的清晰度展目前我们面前。不过，拥有这本厚重的“天书”，DNA序列，与真正读懂它之间，还隔着一道巨大的鸿沟。我们知道构成这本书的“字母”只有A、T、C、G四种，但这些字母如何组成有意义的“单词”（如外显子）、“句子”（如基因）和“语法规则”（如启动子、增强子等调控元件）？这项工作，我们称之为基因组注释 (genome annotation)。

传统的注释方法，就像是雇佣了一群各有所长的语言学家，一位专门识别名词，一位专门识别动词，另一位则只关注标点符号。这些工具各司其职，在特定任务上表现出色，但往往缺乏全局视野，难以整合，面对基因组的复杂性，列如一个区域既可以是外显子又可以是增强子，便显得力不从心。这导致我们的基因组图谱上，仍有大片区域的功能被标记为“未知”，如同古地图上的“蛮荒之地”。

10月29日，《Nature Methods》的研究报道“Annotating the genome at single-nucleotide resolution with DNA foundation models”，为我们带来了一把开启这本天书的革命性钥匙。研究人员开发出一个名为 SegmentNT 的AI模型，它不像过去的专家系统，而是像一位全能的语言大师，能够同时、精准地在单个核苷酸 (single-nucleotide) 的水平上，识别并“分割”出14种不同的基因和调控元件。这不仅是一次技术的飞跃，更是一场解读生命密码的认知革命。

换个“镜头”看DNA：当基因组遇到图像分割

想象一下，你正在处理一张高清的卫星图像，你的任务是标记出其中所有的道路、建筑、河流和森林。你会怎么做？一个巧妙的方法是“图像分割” (image segmentation)，即为图像中的每一个像素分配一个类别标签。目前，如果我们把一条长长的DNA序列想象成一幅一维的“图像”，那么每一个碱基就是一个“像素”。基因组注释的任务，不就等同于为每个“像素”（碱基）打上功能的标签吗？

这正是这项研究的核心洞见。研究人员巧妙地将基因组注释问题重新定义为一个“多标签语义分割” (multilabel semantic segmentation)任务。这里的“多标签”至关重大，由于它承认了基因组的复杂性：同一个碱基可能同时扮演多种角色，例如，它既是基因的一部分，也可能是一个调控元件的结合位点。

为了实现这个宏大的目标，研究人员构建了SegmentNT模型。这个模型拥有一个强劲的“大脑”和一个灵巧的“画笔”。

它的“大脑”是一个预训练好的DNA基础模型，核苷酸转换器 (Nucleotide Transformer, NT)。你可以将NT理解为DNA领域的GPT模型。它已经在海量的、没有任何功能标注的基因组数据中进行了“自我学习”，掌握了DNA语言深层的语法和模式。它并非死记硬背，而是真正“理解”了不同DNA序列片段之间内在的联系和规律。

而它的“画笔”，则是一个名为U-Net的分割架构。U-Net最初在医学图像分割领域大放异彩，它擅长在不同尺度上捕捉特征，并能极其精准地定位目标的边界。在这里，研究人员将其改造为一维结构，接收来自NT“大脑”对DNA序列的深度理解，然后逐个碱基地进行“着色”，精准地描绘出14种不同功能元件（包括蛋白编码基因、长非编码RNA、外显子、内含子、剪接位点、启动子、增强子等）的边界。

这种“大脑”+“画笔”的组合，将基因组注释的精度，史无前例地提升到了单个碱基的层面。

AI的“通识教育”：为何预训练模型是关键胜负手？

在AI领域，从零开始训练一个模型，就像是让一个婴儿直接去解微积分，效率低下且效果不彰。而使用预训练模型，则像是让一位受过通识教育的大学生，再去专攻特定领域的难题。SegmentNT的卓越性能，很大程度上就归功于其强劲的NT“大脑”已经接受了广泛的“通识教育”。

这并非空谈，研究中的数据给出了有力的证据。研究人员进行了一系列“控制变量”实验（消融研究, ablation study），以检验模型设计的每一个环节是否都不可或缺。

第一，他们尝试拿掉预训练的“大脑”，用一个随机初始化的、未经训练的NT模型替换掉预训练好的NT。结果如何？性能一落千丈。在所有14种功能元件的注释任务上，使用预训练模型的SegmentNT平均马修斯相关系数 (Matthews Correlation Coefficient, MCC)，一种在不平衡数据上表现更稳健的评估指标，取值从-1到1，1表明完美预测，达到了0.37，而使用随机初始化“大脑”的模型，MCC仅为0.16。性能几乎腰斩。这表明，NT模型从海量无标签数据中学到的DNA“语感”，对于精准注释至关重大。

接着，他们更进一步，完全抛弃了NT“大脑”，直接将DNA序列（以one-hot编码形式）输入给U-Net“画笔”。结果性能更差，平均MCC掉到了惨不忍睹的0.07。这说明，没有深度理解能力的“画笔”，即使结构再巧妙，也无法完成复杂的注释任务。

最后，他们还将SegmentNT与一些为特定任务设计的、同样超级优秀的深度学习模型（如BPNet和SpliceAI）进行了比较。即使将这些专用模型的规模扩大，它们的综合表现（在当前任务设定下，平均MCC为0.27）依旧不及基于预训练模型的SegmentNT（平均MCC为0.37）。

这一系列的比较清晰地揭示了一个实际：在处理基因组这样复杂的信息系统时，一个经过广泛数据“通识教育”的预训练基础模型，是取得突破性成功的关键。它为后续的精细任务提供了坚实的基础和极高的起点。

庖丁解牛：SegmentNT的“手术刀”有多锋利？

研究人员在一个包含14种人类基因组元件的数据集上对模型进行了严格的测试。结果显示，SegmentNT表现出了令人震惊的准确度。对于结构相对明确的元件，如外显子 (exons)、3'非翻译区 (3'UTRs)和剪接位点 (splice sites)，模型的MCC值都超过了0.5，展现了高度可靠的预测能力。即便是对于那些边界模糊、更难预测的元件，如增强子 (enhancers)，也取得了不错的性能（组织特异性增强子的MCC达到0.27）。

更有趣的是，研究人员发现，提供给模型的上下文长度会显著影响其性能。当他们将模型的输入序列长度从3kb（千碱基）增加到10kb时，模型的平均MCC从0.37提升到了0.42。尤其是在蛋白编码基因 (protein-coding genes)、3'UTRs、外显子和内含子 (introns)这些依赖长距离信息的元件上，性能提升尤为明显。这就像阅读文章，读一个段落（10kb）显然比只读一句话（3kb）更能理解文章的全貌。

为了更直观地展示模型的能力，研究中给出了一个精彩的案例。在一个10kb的基因组区域，同时存在两个方向相反的基因：NOP56和IDH3B。SegmentNT不仅准确地将这两个基因都识别为蛋白编码基因，还准确地勾勒出了它们各自的5'UTR、3'UTR、外显子-内含子结构以及正确的剪接位点。甚至，它还成功捕捉到了位于NOP56基因上游的启动子区域，以及散布在该区域的多个增强子信号。这一切都在一次预测中完成，展现了其强劲的并行处理和整合分析能力。

超越“近视”的局限：让AI拥有基因组的“广角视野”

基因组中的调控，常常是“遥控”的。一个增强子可能在几十万个碱基之外调控一个基因的表达。因此，一个理想的注释工具必须拥有“广角视野”，能够处理超级长的DNA序列。不过，大多数AI模型都存在上下文长度的限制。

SegmentNT的“大脑”NT模型在预训练时，最长也只“读”过12kb的序列。直接让它处理更长的序列，效果会急剧下降。

为了突破这一“近视”局限，研究团队采用了一种巧妙的上下文长度外推 (context-length extension)技术。通过在数学上对模型的位置编码进行“重新缩放”，使得在较短序列上训练好的模型，能够“零样本” (zero-shot)地适应并处理远超其训练长度的序列。实验数据表明，这一技术效果显著。一个在10kb序列上训练的模型，在预测100kb长的序列时，如果不使用这项技术，其平均MCC仅为0.07，几乎等同于随机猜测；而使用了该技术后，MCC能够回升到0.26，性能得到了极大的保留。

基于此，研究人员训练出了一个能在30kb序列上工作的SegmentNT-30kb模型，其平均MCC达到了0.45，是所有版本中性能最好的。通过上下文外推，这个模型在处理50kb的序列时表现最佳（平均MCC高达0.47），一次性就能产出700,000个（14个元件 × 50,000个碱基）预测结果，效率惊人。

研究人员并未止步于此。他们还探索了将SegmentNT的框架与其他的长序列基础模型，如Enformer和Borzoi，进行结合的可能性。这两个模型本身就能处理近200kb甚至超过500kb的序列。整合后的新模型，SegmentEnformer和SegmentBorzoi，虽然在基因元件等高精度任务上不及SegmentNT（由于它们内在的预测分辨率较低），但在识别启动子、增强子和CTCF结合位点等调控元件时，表现出了更强的性能。这充分展示了SegmentNT框架的灵活性和可扩展性：通过更换不同的“大脑”，模型就能适应不同的任务需求，有的擅长精雕细琢，有的则长于高瞻远瞩。

跨越物种的藩篱：AI能读懂“外星”基因组吗？

生命之树枝繁叶茂，不同物种的基因组既有共性，也充满了个性。一个在人类基因组上训练出的顶尖模型，能否读懂小鼠、果蝇甚至玉米的基因组？这是衡量一个模型通用性的“终极考验”。

研究人员第一将仅在人类数据上训练的SegmentNT-30kb模型，直接应用于其他15种动物和5种植物的基因组。结果超级符合生物学直觉：模型的表现与物种间的进化距离呈显著的负相关。在与人类亲缘关系最近的大猩猩和猕猴上，模型表现优异；而随着进化距离的拉远，如在斑马鱼和蠕虫上，性能逐渐下降；在亲缘关系最远的植物上，性能则进一步降低。这表明，虽然生命的基本语法有共通之处，但不同物种的“方言”差异依然存在。

为了打造一个更具普适性的“翻译器”，研究团队进一步在人类和其他五种代表性动物（小鼠、鸡、果蝇、斑马鱼、蠕虫）的数据上，对模型进行了联合微调，得到了一个多物种模型 (multispecies model)。

这个多物种模型的表现令人惊喜。在对远缘动物物种的预测中，它的平均性能（MCC 0.57）显著优于纯人类模型（MCC 0.49）。最令人振奋的是，在植物基因组上的表现。尽管这个多物种模型在训练中从未见过任何植物的DNA，它在5种植物上的平均MCC达到了0.45，远高于人类模型的0.34。这意味着，通过学习多种动物基因组的共性与差异，模型掌握了更为底层的、可跨界迁移的生命语法规则。一个只在动物界“留学”过的AI，居然能很好地解读植物界的“文献”！

研究人员还将其与经典的基因注释工具AUGUSTUS进行了正面比较。无论是在哺乳动物、蠕虫还是植物上，多物种的SegmentNT在绝大多数物种的基因注释任务中都展现了更优的性能。这标志着，一个全新的、更强劲、更通用的基因组注释时代正在到来。

解码之后，所见为何？新一代基因“阅读器”的无限可能

SegmentNT的诞生，不仅仅是发表了一篇高水平的论文，或是发布了一个好用的工具。它的意义远超于此，为生命科学的未来研究开启了广阔的想象空间。

第一，它为遗传变异的解读提供了前所未有的准确“地图”。人类绝大多数的疾病相关突变都发生在非编码区，这些区域正是启动子、增强子等调控元件的所在地。过去，我们很难判断这些突变的功能。目前，有了SegmentNT这样能够在单碱基水平上精准定位功能元件的工具，我们就能更准确地评估一个突变是否恰好破坏了某个关键的调控“开关”，从而为疾病的诊断和治疗提供更精准的指导。

其次，它极大地推动了比较基因组学 (comparative genomics)和进化生物学的发展。其强劲的跨物种泛化能力，使得我们可以快速、系统地注释那些研究较少、甚至全新的物种基因组。通过比较不同物种间功能元件的异同，我们可以更深入地探究物种演化的奥秘，理解生命多样性背后的遗传密码。

再者，SegmentNT本身，尤其是其经过精调的NT“大脑”，已经成为了一个宝贵的资源。这个“大脑”不仅学会了识别14种功能元件，更重大的是，它在学习过程中，已经将复杂的基因组功能信息，编码成了机器可以理解的、丰富的数学表明。这些表明可以被迁移到其他更复杂的下游任务中，列如预测基因表达水平、识别染色质三维结构等等，有望催生出更多创新的应用。

从破译第一个基因，到完成人类基因组计划，再到今天我们拥有SegmentNT，我们对生命密码的解读，正在从“盲人摸象”式的碎片化认知，迈向一个全局、精准、系统化的新纪元。SegmentNT不是终点，而是一个全新的起点。

参考文献

de Almeida BP, Dalla-Torre H, Richard G, Blum C, Hexemer L, Gélard M, Mendoza-Revilla J, Tang Z, Marin FI, Emms DM, Pandey P, Laurent S, Lopez M, Laterre A, Lang M, Şahin U, Beguir K, Pierrot T. Annotating the genome at single-nucleotide resolution with DNA foundation models. Nat Methods. 2025 Oct 29. doi: 10.1038/s41592-025-02881-2. Epub ahead of print. PMID: 41162646.

声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！