Carbon-A: Unified Genome Annotation across Eukaryotic Diversity
本文介绍了 Carbon-A，这是一个统一的 12 亿参数编码器模型，它仅利用基因组序列就在多种真核生物谱系中实现了最先进的结构基因组注释，并利用这一能力构建了碳注释数据库（Carbon Annotation Database, CADB），这是一个包含超过 48,000 个组装体的预测基因模型综合资源，显著扩展了现有的参考数据库。
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
为了理解生命，科学家必须首先找到隐藏在遗传密码中的指令。每一个生物，从人类到蘑菇，都携带一个巨大的 DNA 图书馆——一段由化学字母组成的长链，它包含了构建和运行一个有机体的蓝图。几十年来，挑战仅仅在于如何读取这段序列。现在，随着测序技术能够快速且廉价地产生这些序列，瓶颈已经发生了转移。仅拥有原始文本是不够的；研究人员必须识别出文本中哪些部分是制造蛋白质的实际指令，而蛋白质是构建细胞并驱动生物过程的“劳动力”分子。这个被称为“基因注释”的过程，就像是在试图寻找一本单词之间没有空格、也没有标点符号的书中的句子。在像动物和植物这样复杂的生物中，这些指令通常被破碎成小块，散落在长段的非编码 DNA 之中，这使得在没有引导的情况下定位它们变得极其困难。
传统上，科学家依靠两种主要策略来寻找这些基因。一种方法是从生物体本身寻找证据，例如已知在特定组织中活跃的 RNA 分子。另一种方法是将新的 DNA 与已在近缘物种中发现的基因进行比较。当研究对象是研究充分的生物，或者其近亲已被绘制出基因图谱时，这两种方法都非常有效。然而，当应用于地球上绝大多数的生命形式时，它们却表现得极其糟糕，因为这些物种从未被详细研究过，也没有拥有已知基因图谱的近亲。对于这些生物而言，指令仍然处于隐藏状态，导致我们对生命之树的理解存在巨大的空白。
现在，一个研究团队推出了一种旨在解决整个复杂生命谱系中这一问题的全新工具。他们开发了一个名为 Carbon-A 的计算机模型，它充当了遗传密码的“通用翻译官”。与以往需要分别为哺乳动物、植物或真菌进行训练的工具不同，这个单一的模型通过同时学习，识别出所有这些生物中蛋白质编码基因的模式。通过直接分析原始 DNA 序列，无需预先了解特定物种的信息，Carbon-A 就可以扫描基因组并精确指出基因在哪里开始以及在哪里结束，即使是在从未见过的生物体中也是如此。
研究人员在代表六大类复杂生命的 42 个不同基因组上测试了这个模型，这些类别包括：哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌以及被称为原生生物的单细胞生物。在每一个类别中，Carbon-A 的表现都优于现有方法，它比任何其他工具都能更准确地识别基因的位置。在面对异常的遗传规则时（例如在一种单细胞生物中，基因的标准终止信号运作方式不同），它表现出了特别强大的鲁棒性。当其他模型完全失效时，Carbon-A 能够适应并保持高准确度。此外，它还为每个预测提供了一个置信度评分，告诉研究人员特定基因发现的可靠程度，从而帮助他们决定哪些结果最值得信任。
为了证明该模型发现他人遗漏基因的能力，团队将其预测结果与四个物种（猫、仓鼠、鸡和一种植物）的实验数据进行了对比。他们使用了一种可以读取 RNA 分子全长的技术，以观察哪些基因正在被实际使用。Carbon-A 识别出了数百个在标准参考数据库中并不存在的基因候选者，而这些候选者得到了实验证据的支持。此外，对这些基因可能产生的蛋白质结构的计算机模拟显示，它们能够折叠成稳定且合理的形状，这表明它们是真实的、具有功能的生物体组成部分。这说明该模型并非仅仅在猜测，而是在揭示被忽视的真实生物指令。
基于这一成功，研究人员利用 Carbon-A 对主要公共数据库中现有的所有真核生物基因组组装体进行了注释。这项大规模的工作促成了“Carbon 注释数据库”（Carbon Annotation Database）的建立，该资源包含了对 22,617 个不同物种中超过 5.66 亿个蛋白质编码基因的预测。与之前的金标准相比，该数据库在基因序列量上增加了 9 倍，在覆盖物种数量上增加了 11 倍。对于研究那些了解程度较低的生物的科学家来说，这提供了一个一致且可靠的探索起点。它让研究人员能够提出新的问题，例如基因是如何进化的、哪些基因是特定谱系所特有的，以及不同物种之间是如何相关的，从而将庞大的原始遗传数据转化为可搜索的生物学知识库。
这项工作表明，构建蛋白质的规则比此前认为的更加普遍。通过同时学习来自多样化生命形式的信息，该模型发现了跨越深层进化鸿沟的共同模式。这种方法超越了对近亲引导的需求，提供了一种探索任何复杂生物遗传指令的方法，无论该生物多么晦涩难懂。随着数据库的增长和完善，它将成为未来发现的基础，帮助填补地球生命故事中缺失的章节。
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。