GenomeHarness: Harnessing Al Agents for Reliable Adaptation of Genome Language Models
GenomeHarness 是一个由 AI 智能体驱动的系统，通过受控且可审计的搜索过程，实现基因组语言模型微调的自动化与优化，从而显著提升其在多种基因组任务及模型骨干网络上的下游预测性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人体是由一套被称为DNA的化学代码所编写的海量指令构建而成的。几十年来，科学家们一直难以有效地解读这段代码，将每一个新的生物学问题视为一个需要全新且耗费大量人力的解决方案的独特谜题。近年来，一种强大的新方法应运而生：在庞大的DNA序列集合上训练大规模计算机模型。这些模型学习生命的底层语法，创造出一个可重用的基础，从而可以被改编用于解决特定问题，例如预测基因的行为或识别哪些基因组部分控制特定性状。然而，在拥有这一强大基础与可靠使用它之间仍存在显著差距。正如高性能发动机需要精确调校才能运行特定的赛车一样，这些预训练模型也需要仔细的调整才能在特定任务中表现出色。如果没有进行正确的调整，模型往往无法正常运作，导致研究人员无法确定失败的原因在于模型本身，还是仅仅在于用于适配它的方法。
这种不确定性给生物学家带来了沉重的负担，因为他们的专业知识在于理解生命系统，而非在调校人工智能所需的复杂工程方面。寻找正确设置的过程通常是一个缓慢且昂贵的试错游戏，涉及搭建计算机环境、管理计算能力以及诊断失败尝试。为了弥补这一差距，研究人员开发了一个名为GenomeHarness的新系统。该系统不再将调校过程留给手动猜测，而是使用一个人工智能代理（AI agent）来系统地探索调整模型的不同方式。该代理会提出修改建议、进行测试并从失败中学习，同时通过一套严格的规则确保测试过程保持公平，并确保最终结果不受用于得出最终答案的数据的影响。
该系统的运作始于一套标准的指令集，即“根谱方（root recipe）”，它代表了调整模型的已知最佳方法。随后，一个AI代理会建议对该谱方进行具体编辑，例如改变模型的训练时长或其处理信息的方式。这些建议会在一个受控环境中进行测试，通过在部分数据上运行模型来观察其表现如何。如果测试失败或产生不稳定的结果，代理会对错误进行分析并提出修复方案。这个循环不断重复，系统利用一种策略性搜索方法来决定下一步应探索哪些路径，将精力集中在最有希望的调整上，同时保留每一步操作的完整记录。至关重要的是，系统设计为防止模型在搜索阶段接触到最终测试数据，从而确保最终评估是对性能的真实衡量。
当研究人员在两种不同的预训练基因组模型以及广泛的生物学任务上测试该系统时，结果非常明确。在几乎所有的场景中，该系统都找到了比以往研究中所使用的标准方法更好的模型调校方式。在52种不同的模型与任务组合中，该系统在47个组合中提升了性能。这种改进在标准方法此前表现挣扎或结果不一致的任务中尤为明显。例如，在处理一项涉及人类遗传数据的困难任务时，标准方法产生了一个极低的分数且波动性很大，表明其并不可靠。然而，新系统找到了一种配置，不仅显著提高了分数，还使结果变得稳定且一致。在其他标准方法已经表现良好的情况下，该系统也实现了微小但可衡量的改进，这表明即使是成功的方案通常仍有精进的空间。
研究人员还研究了系统是如何发现这些更优配置的。他们发现，最佳解决方案很少是简单的单步修复。相反，系统通常会构建一系列细微且具体的调整链，逐步优化模型的设置。一条成功的路径可能包括改变学习速率，然后调整模型处理不同数据层的方式，最后微调训练时长。这一过程揭示了最有效的设置往往针对特定的任务和所使用的特定模型，而非一种通用的解决方案。系统成功地应对了这些复杂性，将曾经混乱的手动过程转变为一个结构化、可审计的工作流。
这项研究凸显了生物数据分析方式的一个根本性转变。它表明，当前基因组模型的局限性往往不是由于模型本身缺乏知识，而是由于难以找到应用它的正确方法。通过自动化寻找这些最优设置的过程，该系统使得先进的遗传分析对于那些可能不具备执行此类调整所需工程资源的生物学家而言更加触手可及。研究结果表明，借助正确的工具，预训练基因组模型的潜力可以得到充分释放，从而将复杂的工程挑战转化为可靠、系统的程序。该系统的代码现已向公众开放，允许其他科学家将此方法应用于他们自己的生物学问题，并继续拓展人类对生命代码理解的边界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。