当大模型从“写文章”“写代码”一路延伸到“写基因”AI 与生命科学的交汇正在进入一个新的阶段。近期 Science 上关于斯坦福大学等团队利用基因组语言模型生成新型噬菌体的消息让不少做 NLP 或机器学习的朋友开始思考语言模型真的可以“设计”出一个自然界不存在的噬菌体吗它和传统的蛋白质结构预测有什么区别这类工作离实际抗菌应用还有多远本文不试图复现论文的完整实验细节而是围绕“基因组语言模型 噬菌体设计”这条技术主线拆解背后的核心概念、模型原理、技术路线、评估方法以及工程落地时需要注意的坑点。无论你是关注 AI for Science 的算法工程师还是做合成生物学、生物信息学的研发同学这篇文章都能帮你建立一条清晰的知识脉络。1. 背景与核心概念从“读懂基因”到“设计基因”1.1 生物信息学正在从“读”走向“写”过去几十年生物信息学的主要工作可以概括为一个字读。测序技术让我们能够读取 DNA 序列数据库里积累了海量基因组数据比对工具让我们知道某个片段来自哪个物种变异检测帮助我们找 SNP、找致病位点。但“读”只是理解的第一步。更深层的问题是如果我们已经掌握了足够多的基因组序列能不能像写程序一样按需求“写”出一条新的、自然界不存在的 DNA 序列这就是基因组语言模型Genomic Language Model, GenLM登场的背景。语言模型本质上是在学习序列的联合概率分布。自然语言中一个句子是否通顺、一个段落是否连贯都可以被 Transformer 这类模型建模。把输入从“单词序列”换成“DNA 碱基序列”或“氨基酸序列”模型就变成了基因组语言模型。它通过大规模预训练学习到基因组中隐含的语法、语义和功能约束然后在给定条件的情况下生成新的序列。这种能力把生物设计从“随机突变 人工筛选”的慢循环推向“AI 生成 高效验证”的加速循环。虽然 AI 生成的序列不保证一定有功能但它可以显著缩小搜索空间告诉研究者哪些序列更值得去实验验证。1.2 噬菌体天然适合生成式设计的生物载体噬菌体全称噬菌体病毒是专门感染细菌的病毒。它的结构相对简单基因组通常不长而且在很多原核生物基因组数据库中有海量参考序列。更重要的是噬菌体的基因组呈现出明显的模块化特征。一条典型的噬菌体基因组上往往包含负责吸附宿主的尾丝蛋白、负责包装 DNA 的衣壳蛋白、负责裂解宿主细菌的裂解酶以及 DNA 复制相关模块。这些模块虽然经常发生重组和替换但每个模块内部的序列又需要保持结构稳定性。换句话说噬菌体就像一个“可插拔模块”的积木玩具天然适合用生成式模型去探索新的模块组合和序列变体。这也解释了为什么“生成新型噬菌体”会比“生成一个全新的哺乳动物基因组”更现实噬菌体基因组尺度小、功能模块清晰、实验验证周期短、不具备复杂的发育调控。你合成一条几十 kb 的噬菌体基因组通过适当的包装体系转入宿主菌可能几天就能看到噬菌斑。1.3 “自然进化之外”意味着什么自然进化的基本逻辑是突变加筛选。变异是随机的环境做筛选能够稳定遗传的优势突变在群体中固定下来。这个机制的效率取决于突变率和筛选强度但本质上是在已有序列的邻域里“小步走”。基因组语言模型的思路则不同。在海量基因组数据上完成预训练后模型学习到的不是某个现成序列的简单拷贝而是大量序列背后的统计规律包括密码子偏好、结构域保守片段、蛋白质折叠约束等。生成的时候模型可以在一个比自然进化更大的序列空间里采样产生自然界尚未出现、但“看起来合理”的序列。“合理”不等于“有效”。AI 生成的噬菌体序列能否真正包装成有感染活性的病毒颗粒还需要湿实验验证。但这恰恰是这项工作的价值它把生物设计从“基于已有变异的改良”逐步推向“基于学习到的规则去发明”。2. 基因组语言模型的核心原理从文本 token 到基因组 token2.1 语言模型的基本思想现代语言模型Language Model, LM的核心任务是学习一个序列的概率分布。给定一个序列的前面部分模型可以预测下一个位置最可能出现的 token给定一个被掩码的句子模型可以预测被遮挡的位置。以 GPT 为代表的自回归语言模型本质上是在做P(x_1, x_2, ..., x_n) ∏ P(x_t | x_t)以 BERT 为代表的掩码语言模型Masked Language Model, MLM则是从上下文两个方向去预测被掩码 tokenP(x_masked | x_context)这两种思路在基因组领域都有对应实践。自回归模型适合从零生成连续序列掩码模型适合做序列补全和功能区域预测。2.2 从文本 token 到基因组 token把语言模型迁移到基因组上第一步就是决定如何将 DNA 序列切成 token。DNA 由 A、T、C、G 四种碱基组成本身是离散符号序列。最简单的方法是单碱基切分把每个字符当成一个 token。但这样模型很难学到短程和长程的生物学模式因为单个碱基的信息量太低。更常见的是 k-mer 切分。比如把 k 设为 6DNA 序列会被切成长度为 6 的片段例如“ATGCCA”“TAAACG”。有些模型采用非重叠切分有些采用带步长的滑动窗口切分。k 值越大单个 token 携带的信息越多但词汇表规模也会迅速膨胀训练难度增加。也有研究使用 Byte Pair EncodingBPE或 SentencePiece 这类无监督分词算法从大规模基因组数据中自动学习“亚词”单元。这和 NLP 里的做法非常相似好处是可以根据数据分布自动控制词汇表大小同时保留高频生物学模式。基因组 token 化与自然语言存在几个显著差异DNA 是连续的没有空格和标点需要人为定义切分边界。DNA 有反向互补链同一段生物学信息可以从正链和反链两个方向读取。基因组上的功能元件密度不均匀有的区域保守度极高有的区域高度可变。生物学上的“语义”是多尺度的一个 token 可能同时涉及密码子偏好、剪接位点、调控元件等多种含义。这些差异决定了基因组语言模型不能完全照搬 NLP 的 tokenizer而需要针对生物学数据特点做适配。2.3 预训练与下游任务基因组语言模型的价值主要来自大规模预训练。目前公开的基因组数据已经达到 TB 级别这使得自监督预训练在生物序列上效果显著。预训练过程中模型会在海量 DNA 片段上学习序列的上下文依赖关系。预训练完成后模型可以通过微调适配多种下游任务启动子、增强子等调控元件的识别。蛋白质编码区域的预测。基因组序列的功能注释。序列生成。在“生成新型噬菌体”这个场景里预训练模型提供了对“基因组序列如何组织”的先验知识。你可以在此基础上通过条件生成的方式加入“宿主为某种细菌”“具备某种尾部结构”等约束生成候选序列。2.4 为什么说“生成”比“预测”更难分类或回归任务只需要模型输出一个离散标签或连续数值误差可以通过准确率、AUC 等指标直接衡量。但生成任务要求模型一步步产出完整序列每一步的错误都可能被后续步骤放大。在自然语言里生成一篇语法通顺的短文已经不是难事但在基因组里“语法正确”只是最基础的要求。生成的序列还必须满足一系列生物学约束如果是编码蛋白质的基因序列必须被核糖体正确翻译避免过多稀有密码子。蛋白产物需要正确折叠疏水核心、极性表面都要合理。如果序列是噬菌体结构蛋白还必须能与其他衣壳蛋白或尾丝蛋白正常组装。如果是完整基因组必须包含复制起点、包装信号等关键元件。换句话说语言模型很容易生成“看起来像噬菌体序列”的假阳性结果但要生成真正有功能的噬菌体基因组还需要一套严格的筛选和验证流程。3. 关键技术路线从序列生成到湿实验验证3.1 数据准备与预处理基因组语言模型的训练数据通常来自公共数据库。噬菌体相关的研究可以用 NCBI RefSeq、IMG/VR 等数据库这些库中包含大量已注释的噬菌体基因组。数据准备阶段有几个关键动作去冗余。同一个物种或同一个噬菌体家族的大量高度相似序列会拉偏模型分布需要用 CD-HIT 或 MMseqs2 按序列相似度聚类去重。质量过滤。过滤含有大量未知碱基 N 的序列过滤长度过短或注释冲突的片段。类别平衡。如果希望模型生成特定宿主范围的噬菌体需要确保训练集中不同宿主的噬菌体数量相对平衡否则模型会对高频类别产生偏好。功能标签整理。噬菌体基因组上的基因功能注释质量参差不齐需要结合已有数据库和结构域预测工具整理标签。数据质量直接决定生成序列的可用性。很多初做基因组生成的人会发现模型输出的序列很怪最后定位到问题出在训练集本身包含大量未注释的转座子序列或溶原性前噬菌体片段导致模型学会了“不该学的成分”。3.2 基因组语言模型训练模型架构可以沿用 Transformer 的 encoder、decoder 或 encoder-decoder 结构。选择哪种结构取决于生成方式想做掩码补全用 encoder 类模型。想做自回归从头生成用 decoder 类模型。想在输入一段上下文的同时控制输出属性用 encoder-decoder 或带条件输入的 decoder。训练量与算力是主要约束。基因组数据量很大但单个噬菌体基因组只有几十 kb 量级如果只针对噬菌体领域训练一个小模型可以采用“通用基因组域预训练 噬菌体域微调”的两阶段策略。先在覆盖面更广的细菌、古菌基因组上做预训练再用高质量噬菌体基因组微调让模型既保留通用序列规律又偏向噬菌体特征。3.3 条件生成与采样策略要让模型生成“有指定特征”的噬菌体序列常见做法包括Control Token在序列开头加入描述属性的特殊 token例如宿主物种、GC 含量区间、基因模块类型。编码器条件在 encoder-decoder 架构中把属性描述输入编码器让解码器基于该条件生成。Classifier Guidance在采样过程中用分类器打分引导生成方向。例如训练一个“是否为有效噬菌体结构蛋白”的分类器在采样时对候选 token 的概率做额外偏置。生成时还有一个重要的采样策略选择。贪心解码容易产生重复度高、多样性低的序列而完全随机采样又会产生大量无意义序列。实践中常用 top-k 采样、top-p核采样和温度缩放。温度参数值得重点关注。温度越低采样越趋近于高概率序列稳定性高但新颖性差。温度越高多样性越强但大量候选会掉进无功能区。建议先用较低温度生成一批高质量候选再逐步提高温度探索边界。3.4 候选序列的评估与筛选模型生成的候选序列必须经过计算层面的多级筛选不能直接送去做 DNA 合成。第一轮是基础过滤。检查序列长度是否符合预期、是否包含过多未知碱基、是否含有提前终止密码子、以及 GC 含量是否落在合理区间。第二轮是功能注释。对候选序列做基因预测鉴定开放阅读框再通过结构域数据库如 PFAM或序列比对确认是否包含核心功能模块例如尾丝蛋白、衣壳蛋白、裂解酶。第三轮是结构评估。对关键蛋白做结构预测检查是否具有合理的折叠。比如用 AlphaFold 之类的工具预测衣壳蛋白的三维结构再检查表面静电分布和组装界面的合理性。第四轮是安全性筛选。排除可能携带毒力基因、抗生素抗性基因、溶原性整合模块等高危元件的候选。这一阶段虽然不直接决定序列是否有活性但决定了它能不能被送到实验台。需要注意的是计算筛选只能过滤掉明显不合理的序列无法保证剩下的序列一定有效。真实项目中AI 生成的候选命中率往往不高需要和湿实验团队一起迭代。3.5 湿实验验证与反馈闭环计算生成的序列最终要进入湿实验验证DNA 合成将候选序列合成为物理 DNA 片段。基因组组装通过酵母重组或体外组装等方式获得完整噬菌体基因组。包装与转化将基因组导入宿主菌观察是否能形成具有感染能力的噬菌体颗粒。功能检测通过噬菌斑实验确认裂解活性通过透射电镜观察颗粒形态通过宿主谱实验评估感染范围。安全性验证对最终噬菌体进行全基因组测序确认没有引入意外突变。更有价值的做法是把湿实验数据反馈给模型。如果某个候选序列成功形成了噬菌斑就把该序列标记为正样本并加入训练集进行增量训练。如果大量候选在某个环节失败也需要分析失败原因可能是蛋白无法折叠也可能是基因组缺少包装信号这些标签可以协助模型在下一轮生成时避开类似模式。4. 代码示例快速上手基因组语言模型下面的示例更偏向工程演示帮助你理解基因组语言模型相关的序列处理流程。由于具体模型和训练数据依赖实际环境示例中的模型路径需要替换成你本地可用的模型。4.1 环境准备建议使用 Python 3.9 以上版本安装以下依赖pip install biopython transformers torchtransformers 用于加载和调用预训练语言模型。torch 是模型运行的深度学习框架根据你的 GPU 环境选择合适的版本。biopython 提供序列读取、翻译等基础功能。如果只是做验证CPU 环境也能运行小规模示例如果要训练完整的基因组语言模型建议至少准备一张 24 GB 显存以上的 GPU。4.2 基因组 k-mer 分词示例# 文件路径kmer_tokenizer.py from typing import List def kmer_tokenize( seq: str, k: int 6, stride: int 3, skip_n: bool True, ) - List[str]: 将 DNA 序列切分为 k-mer token。 参数说明 - k: k-mer 长度越大单个 token 携带信息越多。 - stride: 窗口滑动步长小于 k 时会产生重叠 token。 - skip_n: 是否跳过包含未知碱基 N 的窗口。 seq seq.strip().upper() tokens: List[str] [] for i in range(0, len(seq) - k 1, stride): sub seq[i : i k] if skip_n and N in sub: continue tokens.append(sub) return tokens if __name__ __main__: dna ATGGCATAAGGATCCTAA result kmer_tokenize(dna, k6, stride3) print(result)运行结果示例[ATGGCA, TAGGAT, CCTAA]说明stride3相当于按密码子步长滑动这样每个 k-mer 与编码区边界有更好的对齐适合后续结合翻译信息使用。4.3 用预训练模型做掩码预测这个示例假设你已经有一个支持掩码预测的基因组语言模型。如果没有可以先用 Hugging Face 上公开的 DNA 模型替换注意模型需要支持 mask token。# 文件路径mask_predict.py from transformers import AutoModelForMaskedLM, AutoTokenizer # 改成你本地已下载的模型路径或实际模型名称 model_name your-genomic-lm-checkpoint tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForMaskedLM.from_pretrained(model_name) # 构造一条含掩码位的示例序列 dna ATGGCATAA[MASK]GGTCCTTAA inputs tokenizer(dna, return_tensorspt) # 找到 mask 在输入序列中的位置 mask_token_id tokenizer.convert_tokens_to_ids(tokenizer.mask_token) mask_positions (inputs[input_ids][0] mask_token_id).nonzero(as_tupleTrue)[0] with torch.no_grad(): outputs model(**inputs) logits outputs.logits predicted_token_ids logits[0, mask_positions].argmax(dim-1) predicted_tokens tokenizer.batch_decode(predicted_token_ids) print(预测碱基:, predicted_tokens)注意这个示例只是展示调用方式。实际模型对输入格式的要求差异很大有的模型要求先做 k-mer 切分再转 token id有的模型自带分词器需要阅读模型卡文档后调整。4.4 候选 DNA 序列的快速过滤生成一批候选序列后可以用下面的脚本过滤掉明显不合理的序列。# 文件路径filter_candidates.py from Bio.Seq import Seq from typing import List def filter_candidates( dna_list: List[str], min_length: int 2000, max_n_ratio: float 0.01, ) - List[str]: 基础过滤 1. 长度过短直接排除。 2. N 碱基比例过高排除。 3. 翻译后提前出现终止密码子排除。 passed [] for dna in dna_list: dna dna.strip().upper() if len(dna) min_length: continue if dna.count(N) / len(dna) max_n_ratio: continue protein Seq(dna).translate() # 如果终止密码子出现在最后一位之前说明内部存在提前终止 if * in protein[:-1]: continue passed.append(dna) return passed这个过滤逻辑比较简单但可以作为管线第一层。实际项目中还需要增加 GC 含量区间、基因预测、结构域比对等更复杂的筛选。4.5 运行与验证将上述脚本放在同一项目目录中模拟一次完整调用python kmer_tokenizer.py python filter_candidates.py预期输出是一段分词结果和过滤后的序列列表。这只是最小示例目的是让你熟悉“基因组语言模型 序列处理”的基本代码组织方式。5. 实验验证与评估如何判断生成结果好不好5.1 计算评估指标生成式模型的评估不能只看 Loss。对于基因组生成任务建议从以下几个维度交叉评估评估维度指标或方法说明序列新颖性与训练集的最大相似度如果生成序列和训练集序列几乎一致说明模型在记忆而非生成序列多样性生成集合的平均两两距离多样性过低说明采样策略太保守编码完整性ORF 预测、终止密码子统计检查序列能否编码完整蛋白功能模块保留度结构域比对、保守 motif 检测确认关键功能区域没有被破坏密码子偏好CAI 或同义密码子使用频率密码子偏好异常会影响宿主内表达结构合理性蛋白结构预测 折叠评估对结构蛋白尤其重要需要注意这些指标之间存在矛盾。新颖性和多样性越高往往意味着活性命中率越低。实际项目需要在“探索”和“利用”之间找平衡可以采用分层生成策略一部分候选在高概率区域采样另一部分在低概率区域探索。5.2 湿实验评估维度计算评估只能提供概率上的“合理”最终必须用实验数据说话。实验环节评估内容常见结果DNA 合成合成成功率、突变数量高 GC 区域可能难以合成基因组组装完整基因组是否拼接成功打包信号缺失会导致组装失败转染/包装能否产生子代噬菌体结构蛋白兼容性不足时无活性噬菌斑实验是否形成清晰噬菌斑裂解酶失活会表现异常宿主谱对不同细菌的感染能力尾丝蛋白决定宿主范围安全性全基因组测序、毒力基因筛查避免引入耐药基因或毒力因子理想情况下研究团队会形成“生成-筛选-实验-反馈”的闭环每一轮实验都会产生新的正样本和负样本把这些结果重新注入模型训练可以逐步提高命中率。5.3 与自然进化基线的对比要判断基因组语言模型的生成能力必须和基线方法做对比。常用的基线包括随机突变库在天然噬菌体序列上引入随机点突变。定向进化库通过易错 PCR 等方法引入突变再在特定压力下筛选。理性设计基于已知结构手动改造特定氨基酸位点。从理论上讲随机突变是在单一祖先序列邻域内搜索覆盖空间有限语言模型则可以在整个训练数据分布覆盖的空间中搜索更容易跳出局部最优。但这也意味着生成结果可能和所有已知噬菌体差异很大给实验验证带来更多不确定性所以通常建议把生成序列和天然骨架进行拼接或模块替换而不是完全抛弃天然序列。6. 应用前景与风险边界6.1 潜在应用场景如果生成新型噬菌体的技术能够稳定落地最直接的应用是替代抗生素耐药菌的治疗。多重耐药菌已经成为全球公共卫生的重大威胁而噬菌体可以特异性裂解目标细菌不破坏正常菌群。基于基因组语言模型我们可以按需设计针对特定耐药菌株的噬菌体甚至定制不同宿主谱的变体这是传统筛选方式很难做到的。此外噬菌体还被用于食品加工中的细菌控制、农业领域中的植物病原菌防治以及工业发酵中的杂菌清除。这些场景对噬菌体的安全性要求不同但对宿主特异性、裂解效率、基因组稳定性都有明确需求。AI 辅助设计可以帮助研究者更快获得满足工业标准的候选株系。6.2 生物安全与伦理边界基因组语言模型生成能力越强生物安全责任就越大。任何涉及噬菌体设计、合成和改造的工作都必须在合法的实验室和审批框架下进行。以下几点必须前置考虑研究团队应当遵循所在国家和机构的生物安全法规根据宿主菌和基因操作类型确定实验等级。DNA 合成供应商通常会审查合成序列高危病原体相关序列无法通过合规渠道合成。生成模型训练和发布时需要评估潜在的双重用途风险。公开模型有可能被用于不当目的因此论文和开源代码通常需要经过机构审查。噬菌体产品在进入临床或工业应用前还需要完成安全性、有效性、稳定性等多轮评估。技术本身是中性的但技术使用必须建立在合规、透明、可控的基础之上。这是每一个从事 AI for Science 的研究者和工程师都应该建立的底线意识。6.3 数据与算力挑战基因组语言模型目前仍然面临不少工程挑战。第一是数据标注问题。基因组数据量巨大但高质量功能标注严重不足。预训练可以用无标注数据但条件生成和评估仍然依赖可靠的标签。第二是算力成本。大规模预训练需要大量 GPU 资源普通实验室难以承受。一个务实的做法是使用公开的预训练模型只在自己的小样本数据上做微调。第三是可重复性。训练一个基因组语言模型涉及数据版本、分词方式、随机种子、学习率调度等大量细节不同团队的结果可能难以复现。建立标准化的数据管线和评估基准是当前领域的重要任务。7. 常见问题与排查思路问题现象可能原因排查与解决思路生成序列和训练集几乎一样模型参数量过大或训练轮次过多产生了记忆效应增加 dropout、增大训练数据规模、降低模型容量用最大相似度指标监控生成序列中含有大量终止密码子没有对编码区进行约束或训练数据包含大量非编码区域在生成时加入 ORF 完整性约束使用密码子级别 logits 偏置蛋白质结构预测结果不合理序列层面合理但拓扑结构不稳定增加结构过滤层用 AlphaFold 对关键蛋白逐一验证生成序列无法在宿主菌中表达密码子偏好与宿主不匹配在模型输出后做密码子优化统计宿主高表达基因的密码子使用频率湿实验成功率极低AI 生成目标与真实筛选条件不一致减少纯从头生成比例改用“天然骨架 AI 设计模块”策略训练时 Loss 不下降数据质量差或 tokenizer 不合适检查训练集是否存在大量重复或低复杂度序列调整 k-mer 长度排查时建议按“数据 - 分词 - 模型 - 采样 - 筛选 - 实验”的顺序逐层定位。不要一上来就调模型结构很多生成质量问题其实源于数据清洗不彻底。8. 最佳实践与工程建议8.1 数据管线的工程化把数据清洗、去重、分词、切分训练集/验证集封装成流水线。每一步都记录版本号保证同一条原始数据在不同时间处理得到一致结果。噬菌体数据集通常需要重点关注前噬菌体和溶原性序列的污染。很多细菌基因组中嵌入的前噬菌体片段并不具备独立感染能力如果混入训练集模型可能生成出“看起来像噬菌体、实际无法包装”的序列。8.2 模型选择与训练策略不建议从零训练超大模型除非有足够的算力和数据。更稳妥的路径是选择一个在大型基因组数据集上预训练过的公开模型。用高质量噬菌体基因组做领域微调。在微调后的模型上做条件生成。微调时注意冻结底层参数只微调高层可以显著降低过拟合风险。生成阶段再搭配温度、top-k、top-p 采样产出一批候选。8.3 评估体系要“计算 实验”双轨并行计算评估提供排序依据但最终结论来自实验。建议建立一个小批量的“快速实验验证”流程每轮迭代只验证几十条候选序列而不是一次性合成几百条。如果某类候选序列反复在同一个实验环节失败就把这个失败模式记录下来转化为计算过滤规则。比如“尾丝蛋白预测结构异常”的序列后续生成后直接筛掉避免浪费合成成本。8.4 安全合规前置所有涉及序列合成、基因组克隆和噬菌体改造的实验都应遵循相应法规和机构审批流程。生成的候选序列在送测合成之前必须做一轮安全性筛查排除毒力基因、耐药基因和溶原性整合模块。涉及高风险宿主菌的工作应该在对应等级的实验室中完成不建议普通生信团队直接开展活体实验而是与有资质的微生物实验室合作。8.5 可复现与版本管理基因组语言模型训练涉及大量超参数建议使用配置文件统一管理。训练数据、分词器、模型权重、生成代码、筛选脚本、评估结果都要纳入版本管理最好能记录每一步的 commit。对于研究者来说将来写论文或开源代码时别人能否复现你的生成结果很大程度上取决于这些细节是否完整。8.6 入门路线与学习建议如果你对“基因组语言模型 噬菌体设计”感兴趣建议按下面顺序逐步深入补齐语言模型基础掌握 Transformer、注意力机制、BERT/GPT 的预训练与微调方法。学习生物信息学基础理解 DNA、RNA、蛋白质的编码关系知道 GenBank 格式和 FASTA 格式。动手处理基因组数据用 Biopython 读取序列做 k-mer 统计和简单过滤。熟悉 Hugging Face 生态尝试加载公开基因组模型完成掩码预测或序列生成任务。深入研究噬菌体数据库了解噬菌体基因注释、模块结构和宿主关系。最后再考虑训练自己的模型形成“数据-模型-生成-筛选-实验”的完整闭环。整个闭环里AI 生成只是起点真正的生物活性验证仍然在实验台上。但能够通过计算模型打开更大的序列搜索空间这本身就非常有价值。对于关注 AI for Science 的开发者来说现在正是一个很好的切入时机。如果你想更深入地掌握这部分内容可以从阅读公开的基因组语言模型论文开始先跑通一个最小示例再逐步加入条件生成和筛选逻辑。过程中会遇到很多数据质量和模型调参问题这一篇提到的排查思路可以作为基础参考。