·AI通过“完形填空”的方式学习基因组中约600万个常见SNP位点之间复杂的相互关联规律，理解遗传的“语法”。

人类基因组里包含着超过30亿个碱基对，如何从中高效、系统地解读出与健康、疾病、体质特征相关的奥秘，一直是现代生物学面临的巨大挑战。人工智能基础模型正成为突破这一瓶颈的关键力量。

1月13日，在上海“模速空间”，基因底座大模型SNPbag正式发布，该模型旨在解决当前基因组学研究中面临的计算效率低、数据碎片化以及预测能力不足等难题，试图通过AI技术“读懂”DNA与人类生命特征之间复杂的关联。模型作者包括上海飞瀑智能科技有限公司、德国莱比锡大学、华大基因研究院、中国科学院等多家单位的研究人员。

人类的DNA序列有99.9%是完全相同的，剩下0.1%的差异造就了我们每个人独一无二的体质、外貌和疾病易感性。这些差异大多以单个碱基变化的形式存在，即单核苷酸多态性（SNP）。SNPbag正是专为分析这些关键差异位点而设计的。

该模型的作者们在相关论文中提到，基于Transformer架构的大语言模型已经改变了生物医学研究。在蛋白质组学中，AlphaFold 能够准确预测蛋白质结构并加速药物发现。在单细胞转录组学中，Geneformer、scGPT 和 scBERT 等模型支持细胞类型注释以及扰动响应预测。在基因组学中，包括 Nucleotide Transformer和 EVO在内的模型能够处理跨多物种的完整基因组序列，用于注释基因组元素。

“相比之下，对于单一物种的基因组数据，例如人类基因组，仍然缺乏能够应对个体之间巨大基因组变异的人工智能基础模型。” 该论文写道。

“我们训练模型的数据，就是这0.1%的人与人之间的基因差别，那些99.9%重复的部分被拿掉了。”该模型的作者之一徐国华告诉澎湃科技，“这使得我们能够节省海量的算力，这也是它与其他一些基因组模型的核心区别之一。”

徐国华曾在德国马克思·普朗克演化人类学研究所做研究，师从2022年诺奖得主、生物学家斯万特·佩博（Svante Pääbo）。他告诉记者，目前仅用SNP数据进行训练的基因大语言模型只有SNPbag，其研发难度主要在于开发者需要对遗传学和大模型都非常了解。

该模型的另一位作者、飞瀑科技创始合伙人兼首席科学家唐鲲在发布会上表示，团队成员的背景多样，包括肿瘤医学、计算生物学等，“既要懂生物又要懂计算，只有这样的团队能把它做出来。”

与当前主流的语言大模型（如ChatGPT）类似，SNPbag也采用了强大的Transformer架构。研究团队用100万个模拟基因组数据对一个拥有8.4亿参数的模型进行预训练，让AI通过“完形填空”的方式学习基因组中约600万个常见SNP位点之间复杂的相互关联规律，理解遗传的“语法”。通过这种学习，SNPbag构建起了一个能贯通多种遗传分析任务的底层能力。

发布会上，唐鲲列举了该模型的多种用处。过去，要分析一个人的祖源、推断其与其他人的亲缘关系、或补全基因测序中的缺失数据，研究者需要使用不同的统计软件，过程耗时且相互独立。SNPbag则将这些任务整合到一个统一的平台之上，模型只需经过少量微调，就能胜任多种下游任务。

发布会演示显示，该模型能精准区分出遗传背景高度相似的人群，也能可靠地推断出远至12代的亲缘关系，其性能在部分任务上已达到或超过传统方法的水平，而计算速度则实现了数十倍乃至上百倍的提升。

SNPbag还展示了一项极具潜力的功能——高效的基因组压缩和加密。一个人的全基因组SNP原始数据包含数百万行记录，给表型预测带来巨大挑战。SNPBag模型能将这些海量信息压缩成38万个数字，还保留了95%以上的核心遗传信息。

经过压缩后的个人基因组信息。图片来自SNPbag论文

徐国华表示，这38万个数字能够极大降低后续的开发难度，SNPBag有望通过压缩的基因组训练出很多预测表型的能力。此外，一个人的基因组压缩，还能存储在一个仅有0.75MB大小的文件中。这意味着，未来个人的基因组“身份证”或许可以轻松地存储在U盘或手机中，在保障数据隐私和安全的前提下，极大地便利了大规模科研协作和临床应用。

“这个模型是一个起点。”唐鲲表示，其最终目标是建立从基因型到表型（即身高、相貌、疾病风险等个体特征）的精准预测能力。唐鲲团队之前曾开发通过DNA信息预测外貌的算法，在刑侦等领域大有用处。他告诉澎湃科技，采用新的底座模型后，有望提升面部还原算法的准确度和泛化能力。