📄 plant biology

BOTANIC-1: a series of long-context plant genomic foundation models in the agentic era

本文介绍了 Botanic1，这是一个由基于未标注植物数据训练的长上下文、集成智能体基因组语言模型家族，该系列模型在预测性状相关区域方面优于现有模型，并通过机制可解释性提供生物学见解，同时向研究界开放，以加速气候韧性作物的开发。

原作者： Barozet, A., Cabeli, V., Ogier du Terrail, J., Rukhovich, A., Janssoone, T., Klajer, G., Sheikhitarghi, Z., Andrews, G., Veran, C., Strouk, L.

发布于 2026-09-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Barozet, A., Cabeli, V., Ogier du Terrail, J., Rukhovich, A., Janssoone, T., Klajer, G., Sheikhitarghi, Z., Andrews, G., Veran, C., Strouk, L.

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

想象一个生命的代码由由 A、C、G 和 T 这四个字母组成的语言书写的世界。这些字母构成了 DNA 序列，决定了一株植物如何生长、如何抵御干旱以及如何对抗疾病。几十年来，科学家们一直试图解读这种语言，但它是一篇宏大而复杂的文本，拥有数十亿个词汇，且其中大部分是以随物种而异的方言书写的。当植物面临恶劣的气候或新的病虫害时，解决方案往往在于这段代码中一个微小的变化——仅仅是一个字母的替换，就可能让作物变得更加强壮。寻找这个特定的变化，就像是在一座图书馆规模的草堆中寻找一根针，而这根针对肉眼而言是隐形的。传统方法依赖于通过比较许多植物来寻找模式，但这既缓慢又昂贵，且往往会让研究人员面对成千上万种可能性，而不是一个清晰的答案。

巴黎的一支研究团队现在引入了一种阅读这种生物文本的新方法。他们构建了一个名为 Botanic1 的人工智能模型家族，专门用于理解植物 DNA 的语法。与以往需要人类教授生物学规则的工具不同，这些模型是自主学习这种语言的。他们向模型输入了 320 种不同植物物种的遗传序列（从微小的苔藓到高耸的树木），并要求模型预测序列中缺失的字母。通过进行数百万次的这种练习，模型学习了 DNA 结构的隐藏规则、基因如何开启与关闭，以及代码中的微小变化如何影响植物。其结果是一个能够观察一段长长的 DNA 序列，并能瞬间感知哪些部分对植物生存至关重要，以及哪些变化可能是有害或有益的系统。

研究人员不仅构建了一个模型，还创建了一个利用智能软件代理（agents）来管理整个训练和测试过程的“工厂”。这些代理负责处理繁重的任务，包括组织数据、运行实验和修复错误，从而让人类科学家能够专注于宏大的构想。这种方法使他们能够训练出可以读取长达 128,000 个字母长度 DNA 序列的模型，这一长度捕捉到了此前无法同时分析的基因组不同部分之间的远程相互作用。在测试中，这些模型的表现优于现有的所有其他工具，包括那些规模更大、训练数据更多的工具。它们能够识别 DNA 中最重要的部分，例如基因开始和停止的边界，甚至能发现指示细胞如何剪切和粘贴其遗传指令的特定信号。

这项发现之所以特别强大，是因为模型在没有被告知规则的情况下自主学习了这些规则。当研究人员深入观察模型内部以了解其学习内容时，他们发现 AI 独立发现了诸如“剪接位点”（splice sites）之类的生物学概念，即基因在变成蛋白质之前如何进行编辑的指令。在一个引人注目的例子中，模型识别出了基因中一个特定的位置，而标准的科学数据库在此处标记错误已超过二十年。模型的内在逻辑指向了另一个位置，当研究人员检查该基因的历史记录时，发现 1 世纪 1999 年的原始描述实际上是正确的，而模型重新发现了被后来的更新所遗失的真相。这表明这些模型可以作为一种新型显微镜，揭示隐藏在数据中但被人类注释所忽略的生物学真相。

该团队还展示了这些模型如何以一种全新的方式与人类研究人员协作。他们设定了一个场景：要求一个通用人工智能代理去寻找导致甜瓜特定性状的原因——即为什么有些植物产生雌花，而有些植物则同时产生雌性和雄花。该代理获得了一份包含数千个遗传差异的列表，并被要求找出负责该性状的那一个。当该代理尝试仅使用标准工具来解决问题时，它可以缩小列表范围，但无法选出正确答案。然而，当研究人员将 Botanic1 模型作为工具提供给该代理时，该代理立即将正确的遗传变化排在了第一位。模型提供了一个关于遗传变化“令人惊讶程度”的连续度量，这有助于代理从噪声中分辨出真正的诱因。

这项工作代表了我们研究植物方式的一次重大飞跃。通过教机器阅读 DNA 的语言，研究人员创造了能够加速寻找能够抵御气候变化的作物的工具。这些模型不仅速度更快，而且更准确，并且能看到此前无法察觉的模式。它们提供了一种方法，让我们从猜测哪些基因可能重要，转向以极高的信心确定哪些基因是关键。随着研究人员向科学界发布这些工具，他们开启了一个植物生物学的新时代，在这个时代，复杂的生命代码可以以此前难以企及的速度和精度得到理解与改良。这些模型现在已向其他科学家开放使用，有望帮助培育更好的作物，并理解植物界生命的基本机制。

技术摘要：BOTANIC-1

问题陈述

气候韧性作物的开发受限于缓慢的育种周期，以及将性状相关位点转化为机制性、因果性理解的难度。目前的生物信息学流程在识别来自全基因组关联研究（GWAS）和群体分离分析（BSA）的因果变异时面临两个主要局限：一是过度依赖昂贵且生成缓慢的实验数据；二是由于连锁不平衡（LD）导致无法可靠地将因果变异与统计相关的变异区分开来，这一问题被称为精细定位（fine-mapping）。这在植物基因组学中尤为严重，因为其注释数据通常仅限于参考基因组，且其调控机制的研究深度不及人类。虽然像 AlphaFold 这样的机器学习模型彻底改变了蛋白质结构预测，且蛋白质语言模型在变异效应预测方面取得了成功，但目前仍缺乏专门为植物设计、能够对长基因组序列进行推理并学习现有注释之外的调控语法的通用型植物基因组语言模型（gLMs）。

方法论

作者介绍了 Botanic1，这是一个在 智能体模型工厂（agentic Model Factory） 中开发的植物特异性基因组语言模型家族。该框架利用 AI 智能体来自动化和工业化模型开发生命周期，包括数据策展、超参数调优和实验迭代，使研究人员能够专注于实验设计。

模型架构与训练

架构： Botanic1 模型采用双向 Mamba2 (BiMamba2) 主干网络，这是一种通过掩码语言建模（MLM）在单核苷酸位置上进行训练的仅编码器架构。模型发布了四种规模：Botanic1-S (318M)、Botanic1-M (688M)、Botanic1-L (2.1B) 和 Botanic1-XL (3.2B) 参数。
数据策展： 预训练语料库涵盖 320 种植物物种（102 个科，48 个目），总计 59 Gbp 的数据。数据流水线采用了严格的控制措施：
- 物种内： 功能窗口采样通过偏向包含功能区域（功能窗口与非功能窗口比例为 1:1）而非均匀采样来实现。
- 窗口间： 通过 MinHash 过滤器（相似度阈值 0.3）实现冗余减少，从而剔除了约 20% 的冗余窗口。
- 物种间： 应用基因组长度校正，以平衡不同大小物种之间的表示。
上下文扩展： 为了捕捉长程调控相互作用（高达 128 kbp），作者采用了四阶段课程学习方法。从 8 kbp 的预训练上下文开始，模型在逐渐增加的窗口长度（16k, 32k, 64k, 和 131k bp）上进行持续预训练，且不会产生对短上下文能力的灾难性遗忘。

评估框架

模型通过以下一系列综合任务进行评估：

冻结表示（Frozen Representations）： 在 9 个科的 22 个任务（如基因组区域分类、因果变异发现、剪接、染色质可及性）上进行零样本性能测试，使用植物基因组基准（PGB）和 PlantCaduceus 数据集。
适配（Adaptation）： 通过全参数微调、LoRA 和 IA3 在调控任务（启动子/终止子强度、poly(A) 位点识别、lncRNA 分类）和基于碱基分辨率的 ATAC-seq 预测上进行微调。
长上下文能力： 通过嵌套上下文下的伪困惑度（PPPL）和高达 131 kbp 的“大海捞针”（NIAH）检索任务进行评估。
机制可解释性： 使用稀疏自编码器（SAEs）和 in silico 诱变（ISM）来识别对应于生物学概念（剪接位点、编码区、基序）的特征。
智能体工作流： 将 Botanic1 集成为通用型 LLM 智能体（Gemma 4）的可调用工具，并在一个回顾性的甜瓜性别决定案例研究中对因果变异进行排序。

核心贡献与结果

1. 高效实现最先进性能

Botanic1 模型在 22 个冻结模型评估任务的聚合基准（ $S_{test}^{bal}$ ）中占据前四名，性能优于所有通用型和植物特比竞争模型，包括 PlantCAD2-L、Evo 2 和 Carbon 模型。

效率： 尽管参数量显著更少且训练的 token 数也少得多（Botanic1-S 为 314.6B，而 PlantCAD2-L 约为 4T），但 Botanic1-S (318M) 的表现仍优于 PlantCAD2-L (694M) 和 Evo 2-7B (7B)。
缩放规律： 性能随模型规模单调提升。这些模型证明，精心的数据策改和架构选择（BiMamba2）比单纯的模型规模或自回归训练目标更为关键。

2. 长上下文能力

Botanic1 模型成功将其上下文从 8 kbp 扩展到 128 kbp (131,072 bp)，且未降低短上下文性能。

检索： 在 NIAH 任务中，扩展上下文的模型显示出改进的检索准确度，其中 Botanic1-S4（扩展至 128k）实现了 0.83 的归一化得分，显著优于非扩展模型和竞争对手如 PlantCAD2。
生物学应用： 在染色质可及性预测方面，将上下文扩展到 32 kbp 结合智能池化策略（专注于中心峰值区域）可以提高性能，从而避免信号稀释。

3. 适配与微调

Botanic1 模型能有效适配下游任务：

调控任务： Botanic1-S 在启动子/终止子强度预测和 lncRNA 分类方面优于专门的基准模型（如 ChromBPNet）和其他 gLMs（AgroNT, PlantCAD2-L）。
ATAC-seq 预测： 预训练的 Botanic1-S 在预测基于碱基分辨率的 ATAC-seq 图谱方面超越了专门的 ChromBPNet 模型，这种提升归功于预训练而非仅仅是架构。
TF 结合： 微调后的 Botanic1-S 在全基因组 TF 家族结合任务中达到了 0.72 的宏平均精确度，优于从头开始训练的定制化架构。

4. 机制可解释性

在 Botanic1-M 上训练的稀疏自编码器（SAEs）揭示了具有解释性的特征：

生物学概念： 特征对应于剪接供体/受体位点、内含子区域和密码子位置，其 Matthews 相关系数（MCC）较高（剪接位点 MCC > 0.87）。
注释校正： 模型识别出了 AT1G65170 基因注释中的一个差异，预测了一个位于标注位置下游 54 bp 的剪接供体位点。该预测与 1999 年的原始 BAC 提交内容以及 2026 年的 TAIR12 发布内容一致，表明该模型能够检测参考注释中的错误。
可变剪接： 特征被发现能够编码定量剪接位点使用率（Percent Splice Site Usage），从而区分组成型使用和中间使用程度的供体。

5. 零样本因果变异优先级排序

Botanic1 展示了卓越的零样本性能，用于对经过实验验证的因果变异进行排序：

基准测试： 在涵盖 14 个物种的 545 个位点的全新基准测试中，Botanic1-XL 将因果变异排在候选者前 0.1% 的研究中有 16.5%，在排名前 1% 的研究中有 49.9%，优于所有其他 gLMs 和生物信息学基准工具（PhyloP, PhastCons, Ensembl VEP）。
智能体集成： 在一个涉及甜瓜性别决定位点的案例研究中，通用型 LLM 智能体（Gemma 4）仅凭文本或标准生物信息学工具无法识别因果变异。当配备了可以将 Botanic1-L 作为工具通过对数似然比进行评分时，该智能体在 20 次重复实验中均将因果变异排在第一位。

意义

论文声称 Botanic1 代表了植物基因组学领域的重要进步，它为植物研究提供了一个可扩展、高效且可解释的基础。作者强调：

以数据为中心的严谨性： Botanic1 的成功验证了将严谨的、以数据为中心的预训练方法（此前在 LLM 中取得成功）应用于植物基因组学的可行性，表明精心的数据策展和物种覆盖度（320 种物种）至关重要。
智能体工作流： 将 gLMs 集成到通用型智能体工作流中，展示了加速生物学发现的切实路径，即智能体可以利用专门的模型来解决阻碍标准流程的复杂问题，如因果变异发现。
生物学洞察： 除了基准测试的表现外，这些模型还学习了具有生物学意义的表示（例如调控语法、剪接位点），这些表示可用于解释基因组序列并可能纠正现有的注释。
长程相互作用： 处理 128 kbp 上下文的能力使这些模型能够捕捉以往标准基因组模型无法触及的长程调控相互作用，为研究基因调控开辟了新的途径。

作者将 Botanic1 定位为不仅仅是一个模型，而是作为一种基础层，旨在开启一个全新的智能体植物生物学时代，通过 AI 智能体直接对基因组序列进行推理，从而加速气候韧性作物的开发。