原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，将活体生物的全部 DNA 视为一本由四个字母（A、C、G、T）组成的、长达 30 亿个字母的巨著。科学家们一直在尝试构建能够阅读这本书以理解生命运作机制、预测后续内容，甚至重写其中部分的"AI 图书管理员”（称为基因组基础模型）。
然而，存在一个巨大的难题：这本书太长了。如果你试图一次性通读全书，AI 会不堪重负；如果你试图将其拆分为微小且易于处理的片段来阅读，AI 又会失去全局视野，无法看到故事遥远部分之间的关联。
论文《GENERator-v2》介绍了一种构建这些 AI 图书管理员的新方法，它在不耗费巨额计算资源的前提下解决了这一难题。以下是他们如何通过简单的类比来实现这一点的：
1. “缩放”难题：既要见森林，又要见树木
此前，AI 模型不得不在两个糟糕的选项之间做出选择：
- 选项 A（模糊的地图）： 它们将字母分组为“块”（就像阅读单词而不是字母）以节省空间。这使它们能够阅读长篇故事，但失去了观察具体细节的能力。这就像试图阅读一本每个单词都被替换为单个符号的小说；你得到了大意，却错过了拼写。
- 选项 B（显微镜）： 它们阅读每一个单独的字母。这提供了完美的细节，但故事过于漫长，AI 在读完第一章之前就会耗尽内存。
解决方案：因子化核苷酸监督（FNS）
作者发明了一种称为“因子化核苷酸监督”的技巧。把它想象成一个智能翻译器。
- AI 以高效的大块方式阅读故事（就像阅读整个单词）以保持流畅性。
- 但是，当它需要回答关于特定字母的问题时，它会利用数学上的“变焦镜头”，瞬间计算出该单个字母的概率，而无需实际逐个阅读每一个字母。
- 结果： AI 既获得了阅读大块内容的速度，又保留了显微镜般的精度。它没有为了速度而牺牲细节。
2. “噪声”难题：寻找信号
基因组书籍大部分是“噪声”。以人类为例，大部分 DNA 只是不起作用的填充文本。只有小部分（基因和调控开关）才是真正重要的“故事”。
- 旧方法： AI 被迫逐页阅读整本书，包括数百万页的空白或随机乱码。这浪费了时间并混淆了模型。
- 解决方案：基因组压缩预训练（GCP）
作者改变了训练“食谱”。他们没有随机向 AI 投喂整本书，而是创建了一个“精选集锦”。他们将训练数据专门集中在“重要章节”——即基因和调控开关上。 - 结果： AI 学习得更快，因为它没有浪费时间研究空白页面。它学会了识别对生命真正重要的模式。
3. 最终产品：超级图书管理员
通过结合这两种技巧，团队构建了一个新的 AI 模型家族（GENERator-v2），它能够：
- 阅读长篇故事： 它可以处理长达 98,000 个字母的上下文（这对 DNA 来说非常巨大）。
- 保持精确： 它仍然理解每一个单独字母的确切含义。
- 高效运行： 与之前的模型相比，它运行更快，使用的计算资源更少。
核心结论
该论文声称，通过使 AI 的学习方式（“监督”）与生物学的实际运作方式（专注于重要部分并智能地处理细节）相一致，他们创造了一个在理解和生成 DNA 序列方面优于以往任何模型的模型。他们在各种任务上对其进行了测试，结果一致表明其性能优于或持平于现有的最佳模型，同时效率更高。
他们已将模型、数据和工具公开供任何人使用，这证明了解决大问题并不需要更大的计算机；你只需要一种更聪明的阅读这本书的方法。
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。