AI 开始读 30 亿字母"天书"：基因组语言模型 GPN-Star

人类基因组大概有 30 亿个碱基对，写成字母就是 A、C、G、T 四个符号排成的长串。对生物学家来说，这不是密码，是一本用四种字母写成的、没人给过词典的天书。过去找里面的"错字"（致病变异），基本靠统计哪个位置在病人里出现得反常多。

2026 年 9 月，UC Berkeley 的团队放出 GPN-Star，思路很直白：既然语言模型能学会英语的语法，那它能不能学会基因组的"语法"？他们把 A/C/G/T 当成词表，拿人、鼠、鸡、果蝇、线虫、拟南芥等多个物种的基因组一起训练——让模型先搞懂"正常的基因序列长什么样"，再来判断哪个位置被改了之后"读起来别扭"，从而推测它是不是致病变异。

图1：基因组语言模型的工作流，和读英文找语病异曲同工

最实在的好处是速度。过去训练这类模型动辄几个月，GPN-Star 把周期压到了几天。它不光快，还更准——因为拿多个物种一起比，模型能区分"这个位置在所有物种里都保守，所以突变多半要命"和"这个位置本来就随心所欲，突变无所谓"。这种跨物种的"共同语法"，是人类单一基因组给不了的视角。

研究者把它定位成"虚拟细胞"的基础设施：不是直接告诉你答案，而是给你一个能快速扫一遍 30 亿字母、标出可疑之处的引擎。它当然会出错，语言模型写诗也会胡说，但作为第一遍筛查工具，比人肉翻文献快了不知几个数量级。等那天"读基因"像"查单词"一样便宜，精准医疗的门槛会低一大截。

[关联推荐]

• 90 亿种单字母变异，一次性算完：AlphaGenome Atlas 上线 — 同样是 AI 读基因组的工具
• 基因测序简史：从九千五百万降到五百美元 — 为什么读基因越来越便宜
• 转座子：基因组里那些会「跳」的序列 — 基因组里不止 A/C/G/T 的静态信息
• 单细胞测序与脑图谱：从读序列到读细胞 — 测序技术的另一条延伸

来源：Nature：GPN-Star 基因组语言模型（UC Berkeley，2026-09-09，DOI 10.1038/s41586-026-11005-5）