近日，美國(guó)弗吉尼亞理工大學(xué)博士生方燚和所在團(tuán)隊(duì)開發(fā)出一款名為 BIOARC 的智能系統(tǒng)，能夠自動(dòng)設(shè)計(jì)出來最適合處理生物數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。簡(jiǎn)而言之，它是生物學(xué)自己的 AI 建筑師，能夠設(shè)計(jì)出來真正理解生物密碼的模型結(jié)構(gòu)。

它的核心思想是：無需依靠人工猜測(cè)，而是讓 AI 自己探索成千上萬的不同的模型結(jié)構(gòu)，從中找出來最適合處理某類生物數(shù)據(jù)的那一個(gè)。

圖 | 方燚（來源：方燚）

方燚告訴 DeepTech：“BIOARC 僅需相當(dāng)于傳統(tǒng) Transformer 模型約二十分之一的參數(shù)量，即可實(shí)現(xiàn)更好的性能。從創(chuàng)新性角度看，這可能是首次采用數(shù)據(jù)驅(qū)動(dòng)的方式，系統(tǒng)探索并確定適用于生物序列建模的最優(yōu)架構(gòu)。以往的設(shè)計(jì)多基于直覺和經(jīng)驗(yàn)，而我們首次實(shí)現(xiàn)了通過自動(dòng)化搜索來發(fā)現(xiàn)高效架構(gòu)。”

那么，BIOARC 是怎么做到的？我們都知道假如一名人類設(shè)計(jì)師要設(shè)計(jì)一棟房子，那么至少在設(shè)計(jì)師的草圖上，房間的大小、位置和連接方式都可以變化。BIOARC 也是這樣，它可以把 AI 模型拆為幾種基礎(chǔ)的板塊。

第一個(gè)板塊是卷積神經(jīng)網(wǎng)絡(luò)，其非常擅長(zhǎng)捕捉局部特征，就像放大鏡一樣可以看清楚 DNA 上的片段模式；第二個(gè)板塊是 Transformer，其非常擅長(zhǎng)理解長(zhǎng)遠(yuǎn)距離的關(guān)聯(lián)，就像望遠(yuǎn)鏡一樣可以看清楚基因中相隔很遠(yuǎn)的區(qū)域是如何互動(dòng)的；第三個(gè)板塊是 Hyena 和 Mamba，它們是兩種比較新的模型，能夠更加高效地處理超長(zhǎng)序列。

BIOARC 所使用的模型比當(dāng)前流行的大型生物 AI 模型要小很多，但是表現(xiàn)卻更加優(yōu)秀。在一些 DNA 任務(wù)上，BIOARC 模型的大小只有傳統(tǒng)模型的二十分之一，但是效果卻能得到顯著提升。這說明：不是模型越大越好，而是結(jié)構(gòu)越合適越好。

比如，在處理 DNA 序列的時(shí)候，BIOARC 發(fā)現(xiàn)高性能模型常常呈現(xiàn)出一種三層結(jié)構(gòu)：先使用 Hyena 塊捕捉長(zhǎng)距離關(guān)系，再使用 Transformer 塊理解復(fù)雜上下文，最后使用卷積神經(jīng)網(wǎng)絡(luò)塊來提取關(guān)鍵局部特征。這種組合就像先觀看整幅地圖，再分析重要區(qū)域，最后聚焦的關(guān)鍵地標(biāo)，一步步地理解整個(gè)序列的能力。

BIOARC 不僅能夠設(shè)計(jì)模型，還可以充當(dāng)顧問的角色。科學(xué)家們經(jīng)常面臨新的任務(wù)：比如分析某種病毒的 RNA，或者預(yù)測(cè)某個(gè)罕見蛋白質(zhì)的結(jié)構(gòu)。以前，他們得自己嘗試很多模型，不僅費(fèi)時(shí)而且費(fèi)力。現(xiàn)在，他們只需要把任務(wù)描述輸入 BIOARC 系統(tǒng)，它就能從知識(shí)庫(kù)中找到類似的任務(wù)，并推薦之前表現(xiàn)最好的幾種模型結(jié)構(gòu)，從而可以大大節(jié)約研究時(shí)間和實(shí)驗(yàn)時(shí)間。

同時(shí)，BIOARC 內(nèi)部還有一個(gè)智能助理系統(tǒng)，能夠理解那些科學(xué)家使用自然語(yǔ)言描述的任務(wù)，然后進(jìn)行語(yǔ)義匹配，而非只進(jìn)行簡(jiǎn)單的關(guān)鍵詞搜索。這意味著即使你描述得不太專業(yè)，它也能明白你的需求，并能找到最相關(guān)的歷史案例和模型方案。

（來源：https://arxiv.org/abs/2512.00283）

我們當(dāng)前使用的 AI 大多使用的是 Transforme 模型，它最初是為處理人類語(yǔ)言而設(shè)計(jì)的。但是，生物數(shù)據(jù)比如 DNA 序列或蛋白質(zhì)結(jié)構(gòu)，和人類語(yǔ)言是完全不同的。前者不像句子那樣有著明確的單詞和語(yǔ)法，而是由一系列化學(xué)密碼組成，其間隱藏著復(fù)雜的空間結(jié)構(gòu)和遠(yuǎn)程關(guān)聯(lián)、

舉個(gè)簡(jiǎn)單的例子，在英文句子中單詞“貓”后面常接“抓老鼠”，這種關(guān)系是局部的和有順序的。但是，在 DNA 中一個(gè)基因的啟動(dòng)區(qū)域可能和幾千個(gè)堿基意外的另一個(gè)區(qū)域發(fā)生相互影響之后，才可以啟動(dòng)生命活動(dòng)。如果直接使用處理語(yǔ)言的 AI 模型去讀 DNA，就像使用英文語(yǔ)法去理解一段音樂樂譜一樣，雖然都是符號(hào)，但是規(guī)則完全不同，效果自然也就不好。

（來源：https://arxiv.org/abs/2512.00283）

而本次技術(shù)則具有廣泛的應(yīng)用前景。任何涉及蛋白質(zhì)或 DNA 序列分析的場(chǎng)景都可能受益，例如對(duì)特定物種的 DNA 進(jìn)行分類，或預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)。此外，由于此次發(fā)現(xiàn)的架構(gòu)具有一定可解釋性，未來亦有望幫助揭示更多潛在的生物學(xué)規(guī)律。

談及本次技術(shù)和 AlphaFold 等已有工具的關(guān)系，方燚表示：“AlphaFold 屬于生成式模型，需將序列映射到潛空間進(jìn)行結(jié)構(gòu)生成。我們的工作則能幫助構(gòu)建更優(yōu)的序列編碼器，從而更有效地將蛋白質(zhì)或 DNA 映射到統(tǒng)一的表征空間中，與現(xiàn)有工具形成功能上的互補(bǔ)與增強(qiáng)�！�

（來源：https://arxiv.org/abs/2512.00283）

他繼續(xù)說道：“關(guān)于后續(xù)研究計(jì)劃，我們希望將當(dāng)前方法拓展到更多模態(tài)上。目前工作集中于 DNA 和蛋白質(zhì)序列，下一步計(jì)劃將其應(yīng)用于基因表達(dá)值序列等數(shù)據(jù)類型。另一個(gè)方向是，當(dāng)前研究主要針對(duì)單模態(tài)架構(gòu)，未來我們也將探索多模態(tài)架構(gòu)，例如在同一模型中處理多種數(shù)據(jù)類型，并研究不同模態(tài)間是否存在最優(yōu)的架構(gòu)組合方式�！�

參考資料：

相關(guān)論文 https://arxiv.org/abs/2512.00283

運(yùn)營(yíng)/排版：何晨龍