把169861个生物物种数据装进大模型，大模型竟get到了生物中心法则的奥秘——

不仅能识别DNA、RNA与相应蛋白质之间的内在联系，在基因分类、蛋白质相互作用预测、热稳定性预测等7种不同类型任务中也能比肩SOTA模型。

模型名为LucaOne，由阿里云飞天实验室生物智能计算团队打造。

相比AlphaFold 3因未开源遭到650多名学者联名批评，LucaOne训练推理代码及相关数据目前均已开源。

LucaOne是目前首个全生物系统的核酸语言+蛋白语言的融合基座模型。换句话说，LucaOne由核酸（DNA、RNA）和蛋白质序列联合训练而来。

通过一系列实验，研究人员发现它能广泛适用各种下游任务。

在含13个物种、关系对总数量为24000的核酸序列和其对应蛋白的正负样本数据集中，LucaOne提供表征的模型达到0.85的预测准确率。

远高于目前业内最好的预训练模型组合ESM-3B+DNAbert2（0.73）及其他建模方式，也显著高于LucaOne的单核酸训练版本+单蛋白训练版本。

其他任务如针对流感H3N2病毒疫苗有效性（免疫逃逸风险）的预测，LucaOne准确率可达100%。

量子位也联系到了论文一作，聊了聊LucaOne的实现细节，以及AI for Science在生物科学领域的发展。

核酸和蛋白质序列联合训练

总的来说，LucaOne围绕中心法则的数据进行构建，能够学习到中心法则背后的原理和逻辑，可提取基因转录和蛋白质翻译过程中固有的复杂模式和关系，在使用层面相当于提供了一个对DNA、 RNA、蛋白质的无差别表征。

PS：

分子生物学的中心法则即遗传信息从DNA传递给RNA，再从RNA传递给蛋白质的过程，这一过程包括DNA的复制、RNA的转录和蛋白质的翻译。

展开来看，LucaOne整个工作流是这样婶儿的：

从技术上讲，构建LucaOne的难点首先是数据集的构建。

在生命科学领域，真实存在的只是分子数据。

例如，核酸的表示方式是4种碱基。DNA是腺嘌呤（A）、鸟嘌呤（G）、胞嘧啶（C）和胸腺嘧啶（T）；RNA是腺嘌呤（A）、鸟嘌呤（G）、胞嘧啶（C）、尿嘧啶（U）。蛋白质由氨基酸组成，自然界存在的氨基酸大约有20-22种，每种氨基酸也用一个字母表示。

而人类为理解这些分子的性质与作用，通常需要添加很多注释信息，包括一些图片的注释。注释信息属于人类语言，自然界本身不存在，从而就形成了一种生命科学领域的从“自然界”语言到“人类文化”语言的跨模态。

因此，LucaOne的预训练数据不仅包含DNA、RNA、蛋白质这三类分子的序列（核苷酸序列或者氨基酸序列）数据，同时还使用了这些分子的注释信息。

总共涵盖了169861个物种的核酸和蛋白质序列和注释信息，分为两部分：

核酸数据集来自RefSeq，包括核酸序列及注释；蛋白质数据集来自InterPro、UniProt、ColabFold、RCSB-PDB、AlphaFold2，包括蛋白质序列、注释和三维结构。

据介绍，在数据集的收集处理方面，阿里云飞天实验室与中山大学、浙江大学等多个团队进行了合作。

另一大难点是生物分子序列的预测和大语言模型预测下一个token不同，在模型训练阶段还需要一些专门的设计。

LucaOne采用了Transformer-Encoder架构，由20个编码器块组成，嵌入维度为2560，总参数量1.8B。

研究人员在此基础上进行了一些优化：

• 使用Pre-Layer归一化代替Post-Layer归一化，以便更好地训练深层网络；
• 使用旋转位置嵌入（RoPE）代替传统绝对位置编码，以推理更长序列。

此外，在数据处理和模型训练过程中，核苷酸和氨基酸用统一的方式进行表征或编码。通过token-type embeddings实现核酸和蛋白质序列的混合训练，区分核苷酸（0）和氨基酸（1）。

在两个自监督掩码任务的基础上，研究人员还增加了八个半监督预训练任务，通过序列注释增强模型对数据的理解。

已能理解基因和蛋白对应关系

为验证核酸和蛋白质数据混合训练的优势，研究人员分别使用核酸和蛋白质数据单独训练了两个额外的模型——LucaOne-Gene和LucaOne-Prot，并使用相同的5.6M checkpoint在分子生物学中心法则任务中进行了比较。

使用t-SNE可视化说明，与其他模型相比，LucaOne的嵌入在两个数据集上呈现出更紧密的聚类，可能包含了更多上下文信息。

为验证LucaOne通过广泛学习基因及蛋白语言，已具备对生物学中心法则里的基因和蛋白对应关系的理解能力，研究人员设计了一个数据集及评测任务。

选取13个物种的核酸序列和其对应蛋白的正负样本数据集，关系对总数量为24000，其中正负样本比例1：2。基因序列数据是其在基因组的原始数据，包括了大量的非编码区（内含子，调控元件，及“垃圾片段”等）。

采用训练：验证：测试比例为：4：3：25；即仅3200组数据作为训练，18750组数据作为测试集来预测其核酸序列是否可以翻译成数据组里的蛋白序列。

结果LucaOne提供表征的模型达到0.85的预测准确率，不仅远高于目前业内最好的预训练模型组合ESM-3B+DNAbert2（0.73）及其他建模方式，也明显高于LucaOne的单核酸训练版本+单蛋白训练版本。

这表明这两种大分子数据联合训练可以显著增强模型的学习效果。

有意思的是，研究人员发现在模型细分表现里，LucaOne海鞘这种生物里的预测表现比较差（其他模型也类似），进一步分析海鞘的特性表明，因为进化适应性等各种原因，海鞘利用中心法则的具体规则-密码子偏好性，和其他生物明显不同。

他们猜测LucaOne可能用的是另一种中心法则语法“方言”，而这种“方言”在训练数据集里仅有100条，因此模型没有很好的学习到这种规则。

在其他下游任务中，LucaOne对不同类型输入的下游任务也广泛适用。

具体来说，研究人员评估了7个不同类型的下游生物计算任务，包括:

• 单序列任务：GenusTax（属分类）、ncRNAFam（ncRNA家族分类）、ProtLoc（蛋白质亚细胞定位）、ProtStab（蛋白质热稳定性预测）。
• 同源序列对任务：InfA（流感血凝素分析）、PPI（蛋白质相互作用预测）。
• 异源序列对任务：ncRPI（ncRNA-蛋白质相互作用预测）。

为简化下游任务，研究人员使用了三种对应不同输入形式的简单网络架构：

结果表明，GenusTax、ProtStab、ncRNAFam、InfA、PPI任务上，LucaOne显著优于其他模型；ProtLoc任务上，LucaOne与ESM2-3B相当，优于SOTA；ncRPI任务上，LucaOne优于DNABert2+ESM2-3B的组合：

值得一提的是，在流感H3N2病毒的免疫逃逸风险预测中，研究人员采用了1968年至2010年间分离的大规模H3N2病毒HA序列数据进行了基于流感毒株抗原关系的预测模型。

通过病毒HA抗原序列来预测其是否会诱导HIA实验的血凝现象，进而预测其是否在特定人群中会发生免疫逃逸。

要知道，目前预防与控制流感最有效的方法是接种流感疫苗，但是由于流感病毒极快的变异速度，导致不能及时与准确地推荐与流行病毒相匹配的流感疫苗株。根据WHO和CDC的监测，流感疫苗的有效性在40%-60%之间。因此准确预测流行毒株，判断免疫逃逸风险是一个重要且困难的命题。

研究人员使用基于LucaOne+一层感知机的模型达到了100%的准确率。

这也说明LucaOne学习的大量核酸序列信息，包括大量其他病毒序列，为计算特定任务提供了很好的信息补充。

更多细节，感兴趣的家人们可查看原论文。

“Science for AI”

如前文所述，LucaOne背后开发团队来自阿里云飞天实验室LucaTeam，LucaTeam也与多个团队展开了深度合作。

中山大学医学院施莽教授及其团队参与了LucaOne模型的数据设计与验证。施莽教授认为：

中国医学科学院北京协和医学院病原生物学研究所所长、美国微生物科学院会士舒跃龙教授及其团队参与了LucaOne在流感病毒方面的分析与验证工作。舒跃龙教授表示：

此外，论文一作贺勇是阿里云飞天实验室生物计算高级算法专家，我们也就LucaOne与其展开聊了聊AI for Science在生物科学领域的发展。

在他看来，AI for Science在生物科学领域正处于刚起步的阶段，考虑到AI可解释性的问题，基本上现在他们还只是把AI当做一个工具，但同时现在是发展AI for Science的一个很好的时间节点。

不过，目前的局限在于测序得到还是分子的序列数据，而真实世界每个分子的存在是一个空间结构，这可能就需要更复杂的模型来处理。

而不同学科间的研究方法不同、探索微观世界也受限于目前的设备技术，贺勇认为人类对生物科学这个领域的认识目前也只是冰山一角，还无法从全局角度构建一个全面通用的系统。

最后他还补充道：

论文链接：https://www.biorxiv.org/content/10.1101/2024.05.10.592927v1

— 完 —

量子位 QbitAI · 头条号签约