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:基因组模型 GPN-Star 登 Nature，2 亿参数击败 400 亿 Evo 2(3 条相关)→
「研究」频道最新
- Exponential 发布 RepoInject 与 BrowserInject 基准，测 prompt injection 防护 — maksym_andr · 2026-10-27
- Redwood 研究:CoT 可控性评测严重欠激发,简单提示优化可提升 2-3 倍 — dfrsrchtwts · 2026-10-27
- 用 BeamZ 逆向设计光学系统跑通 MNIST 分类 — S_Conradi · 2026-10-27
- DeCert 框架无需参考答案评估生成式奖励模型的论证质量 — Guiquan Sun · 2026-10-27
- 新研究：VLM harness 同样是组合泛化器,可拆解复杂图像问题 — a1zhang · 2026-10-27
- 新文呼吁启动 AI 界「人类基因组计划」加速可解释性研究 — ninamiolane · 2026-10-27