基因组模型 GPN-Star 登 Nature：进化感知预测全基因组变异影响
EricTopol · x · 2026-09-09
UC Berkeley 团队在 Nature 发表基因组预训练网络 GPN-Star（Genomic Pretrained Network with Species Tree and Alignment Representations），继 AlphaFold 预测蛋白质结构之后，向"预测人类基因组全部约 90 亿个变异的分子影响"迈进一步。
方法要点：
- 与直接照搬 NLP 架构的基因组语言模型不同，GPN-Star 采用系统发育感知（phylogeny-aware）架构，显式利用全基因组比对与物种树建模进化关系
- 训练数据覆盖脊椎动物、哺乳动物和灵长类三个进化时间尺度的比对序列
结果：在编码区与非编码区的大量变异效应预测（VEP）任务上取得 SOTA，超越了以往需要更大模型和更多算力的基因组语言模型，也优于经典进化模型。论文作者称其为判断致病变异的又一互补手段。
所属事件:伯克利基因组模型 GPN-Star 登 Nature，变异预测达 SOTA(2 条相关)→
「研究」频道最新
- Cognition 用 Devin 集群破解 RSA-260，估 RSA-1024 成本仅三千万美元 — StefanoGogioso · 2026-09-10
- 研究者提出可编程元胞自动机：规则变可读代码兼顾表达力 — SimonGColton · 2026-09-10
- Harmonic 推出 Aristotle:可机器验证证明软件正确性的 AI agent — satnam6502 · 2026-09-10
- Perplexity 发布 Q2D-Web：1.9 亿网页、7 万条智能体查询检索基准 — antoine_chaffin · 2026-09-10
- Perplexity 开源 Q2D-Web 基准：1.9 亿文档测智能体检索 — CShorten30 · 2026-09-10
- ProteinBlender 开源:在 Blender 里做出版级蛋白与 DNA 动画 — DeryaTR_ · 2026-09-10