基於DNA序列訓練的大型語言模型（藝術圖）。圖片來源：物理學家組織網
科技日報北京8月6日電（記者張佳欣）DNA包含了維持生命所需的基礎資訊。理解這些資訊是如何存儲和組織的，一直是20世紀最大的科學挑戰之一。現在，借助GROVER這一基於人類DNA訓練的新型大型語言模型，研究人員有望解碼基因組中隱藏的複雜資訊。GROVER由德國德勒斯登工業大學生物技術中心開發，它將人類DNA視為文字，通過學習其規則和上下文來選取DNA序列的功能資訊。這一新工具有望徹底改變基因組學並加速個性化醫療的發展。相關研究論文發表在新一期《自然·機器智能》雜誌上。
大型語言模型通過文字訓練，發展出了在多種脉络下使用語言的能力。研究人員設想將生命程式碼DNA當作一種語言，訓練了一個大型語言模型——GROVER。
在語言方面，人們談論的是語法、句法和語義。而對於DNA來說，這意味著學習核苷酸的序列等。就像GPT模型學習人類語言一樣，GROVER基本上學會了DNA“語言”。
研究表明，GROVER不僅能準確地預測接下來的DNA序列，還可用來選取具有生物學意義的上下文資訊，例如識別DNA上的基因啟動子或蛋白質結合位點。此外，GROVER還學習了“錶觀遺傳”過程，即在DNA序列不發生改變的情况下，基因表達的可遺傳變化。
GROVER有望解鎖DNA中蘊含著關於人類本質、疾病易感性以及對治療反應的關鍵資訊。研究人員相信，通過語言模型理解DNA的規則，將有助於揭示隱藏在DNA中的生物意義，從而推動基因組學和個性化醫學發展。