2025 年 2 月 19 日，生物学领域的一个
重要里程碑
诞生了！
Arc 研究所的
Patrick Hsu
和
Brian Hie
团队联合斯坦福大学、加州大学伯克利分校、加州大学旧金山分校以及英伟达的科学家，发布了
有史以来最大的
生物学人工智能模型
（AI model for biology）
——
Evo-2
，其在规模上堪比当前最强大的生成式人工智能大语言模型
，但其训练仅使用了 2000 多个英伟达 H100 GPU，且该模型完全开源。
该模型训练了从单细胞的细菌、古菌到真核生物以及多细胞的植物以及人类的生命之树中的 12.8 万个基因组 DNA 序列，从而能够
实现对所有生命域的理解、建模和设计遗传密码，从头开始编写整个染色体，甚至从头设计生命，还能准确预测所有类型的基因突变
（包括编码基因和非编码基因）
的影响。
Evo-2 的训练使用了 2000 多个英伟达
H100 GPU，并得到了英伟达研究人员和工程师的合作支持。更重要的是
，
Evo-2 是
完全开源
的
，在 GitHub 上共享了模型参数、训练代码、推理代码以及训练使用的 OpenGenome 2 数据集。世界各地的研究人员可以通过英伟达 BioNeMo 平台免费访问以及部署 Evo-2。
Evo-1
2024 年 11 月 15 日，
Patrick Hsu
和
Brian Hie
团队在国际顶尖学术期刊
Sciencce
上发表了题为：
Sequence modeling and design from molecular to genome scale with Evo
的研究论文，该论文还被选为当期的封面论文。
该论文发布了首个在全基因组规模上以单核苷酸分辨率预测和生成 DNA 序列的 AI 模型——
Evo
。
Evo
是在
原核生物
（细菌、古菌）
和
噬菌体
的基因组上进行训练，能够在 DNA、RNA 和蛋白质模式下实现零样本功能预测，还能够生成长度超过百万碱基对的具有合理基因组结构的 DNA 序列。研究团队使用 Evo 生成了
CRISPR-Cas
分子复合物和
IS200/IS605
转座子，并验证了它们的功能活性，这是首次通过语言模型实现蛋白质- RNA 和蛋白质- DNA 协同设计的实例。
值得一提的是，
Patrick Hsu
是 CRISPR 基因编辑先驱
张锋
教授的第一届研究生，现为 Arc 研究所联合创始人、加州大学伯克利分校助理教授。2024 年 6 月 26 日，
Patrick Hsu
连发两篇
Nature
论文，开发了一种基于
桥 RNA
（Bridge RNA）
的新型基因编辑工具，其能够在特定基因组位点插入、倒位或删除。
Evo-2 的前身 Evo 完全是在单细胞生命的基因组上进行训练的，而 Evo-2 进一步将其训练数据扩展到了生命的所有域——从细菌、古细菌、噬菌体，以及植物、动物、人类和其它单细胞和多细胞的真核生物，总计
12.8 万个全基因组和宏基因组数据的 9.3 万亿个核苷酸
，训练参数高达 400 亿
（
Evo-2 有两个版本，训练参数分别是 70 亿和 400 亿
）
。
此外，Evo-2 使用了
StripedHyena 2
架构，这是一种新的卷积混合架构，结合了多种不同的操作符，相比 Transformer 架构，能够大幅提高训练速度和推理效率。Evo-2 的训练分为两个阶段：预训练阶段和中训练阶段。预训练阶段使用 8192 碱基对的上下文窗口，专注于功能性遗传元件；中训练阶段将上下文窗口扩展到 100 万碱基对，以学习长基因组距离之间的作用
（真核生物中调控序列与基因序列之间距离可能很远）
。
Patrick Hsu
表示，
Evo 和 Evo-2 代表了新兴生成式生物学领域的一个关键时刻，这些模型已经使机器能够用核苷酸的语言来读、写以及思考。Evo-2 对生命之树有着全面的理解，这对许多任务都很有用，从预测致病突变到设计人工生命。期待科学家和工程师们在
Evo-2 基础上建立起一个生物学的“应用商店”
（App Store）
。
Evo-2 的模型架构、训练程序、数据集和评估概述
与原核生物相比，真核生物的基因组要复杂得多，真核生物的基因是由编码区和非编码区的分散片段组成，而且非编码的调控序列可能远离其所调控的编码序列。而 Evo-2 的长达 100 万碱基对的长上下文窗口，使其具备了理解真核生物基因组的能力。
验证实验显示，Evo-2 能够预测跨越所有生命域的
基因突变的功能影响，包括非编码序列的致病突变，还能准确预测人类乳腺癌相关的
BRCA1
基因突变
（在预测良性突变和潜在致病突变方面准确率超过 90%），
而无需针对任务特定进行微调。
研究团队还验证了 Evo-2 的生成能力，
Evo-2
能够从头生成
线粒体基因组序列
、
原核生物
（细菌）
基因组序列
以及
真核生物
（酵母）
整个染色体序列
，其生成序列的自然性和连贯性优于以前的方法。此外，Evo-2 还能通过推理时搜索
（inference-time search
，指 AI 模型推理阶段动态调整搜索策略以优化输出结果）
，可控地生成
表观基因组
结构。
需要指出的是，从安全角度考虑，研究团队从 Evo-2 的基本数据集中排除了能够感染人类和其他复杂生物的病原体，并确保 Evo-2 不会对有关这些病原体的查询提供有效答案。
Evo-2 在包括细菌、植物、动物以及人类的大量物种的基因组序列中进行了训练，其预测和生成能力可应用于医疗保健、药物研发、农业技术、合成生物学以及材料科学等各个领域。
在
医疗保健
和
药物研发
方面，Evo-2 能够帮助寻找人类疾病的遗传原因，揭示基因表达与疾病之间的关联，帮助设计治疗疾病的新型分子，从而加速新药研发，节省进行细胞实验或动物实验所需的大量时间和研究资金。
