图片来源：Midjourney 生成，编辑 | 白菜叶
自DNA的双螺旋结构被发现以来，生命科学的探索进入了一个全新的纪元。从基因测序到基因编辑，科学家们不断揭示着「DNA 到 RNA 再到蛋白质」这一「中心法则」在生命运行中的核心地位。今天，我们故事的主角正是围绕这一法则展开——首个基于「中心法则」的生物大模型「LucaOne」。
引言：生命科学的数字化革命
自20世纪中期以来，生物学研究经历了多次革命性进展。从分子生物学的建立到基因组学的蓬勃发展，科学家们对生命本质的理解逐步深入。然而，随着数据量的爆炸式增长，如何高效处理和分析这些海量数据成为了新的挑战。
人工智能，尤其是深度学习技术的飞速发展，为这一问题提供了新的解决方案。2023年6月，ScienceAI曾报道过一个名为「LucaOne」的开源生物大模型。这一模型由中山大学施莽教授和阿里云李兆融博士领导的联合研究团队开发，旨在通过综合学习遗传和蛋白质组语言，揭示生命系统的内在逻辑。
时隔一年，这项研究以「Generalized biological foundation model with unified nucleic acid and protein language」为题，于2025年6月18日刊登在了《Nature Machine Intelligence》子刊上，标志着生物学与人工智能的深度融合迈上了新的台阶。
主体：LucaOne的诞生与技术突破
1. 什么是「中心法则」？
在介绍LucaOne之前，我们需要先理解什么是「中心法则」。简单来说，「中心法则」描述了遗传信息在生物体内的流动方向：DNA → RNA → 蛋白质。这一法则揭示了基因如何通过转录和翻译过程来指导蛋白质的合成，从而控制细胞的结构和功能。
2. LucaOne的研发背景
LucaOne的研发背景可以追溯到科学家们对生物信息处理的迫切需求。随着高通量测序技术的普及，生物学研究产生了海量的基因组、转录组和蛋白质组数据。这些数据蕴含着丰富的生物学信息，但如何从中挖掘出有用的知识成为了一个巨大的挑战。
中山大学和阿里云的联合研究团队意识到，传统的生物信息处理方法在面对如此庞大的数据量时显得力不从心。因此，他们决定引入人工智能技术，开发一个能够综合处理和分析这些数据的大模型。
3. LucaOne的技术架构
LucaOne的技术架构是其最大的亮点之一。该模型采用了深度学习技术，拥有1.8B（18亿）个参数，涵盖了169,861个物种的数据。这些数据包括了DNA序列、RNA序列和蛋白质序列，使得LucaOne能够全面捕捉生物系统的多样性和复杂性。
具体来说，LucaOne采用了Transformer网络结构，这是一种用于处理序列数据的神经架构，用于自然语言处理的任务，如机器翻译。通过将遗传和蛋白质组数据视为一种「语言」，LucaOne能够学习这些数据的内部特征和相互关系。
4. 模型的训练与优化
LucaOne的训练过程是一个巨大的工程。研究团队首先收集了来自不同物种的大量基因组、转录组和蛋白质组数据。然后，他们使用这些数据对模型进行了大规模的训练，不断调整和优化模型的参数，以确保其能够准确捕捉生物数据的复杂性。
在训练过程中，研究团队还引入了一些先进的技术，如自监督学习和迁移学习。这些技术使得LucaOne能够在缺乏标注数据的情况下，依然能够从数据中学习到有用的信息。
5. 模型的应用前景
LucaOne的应用前景非常广泛。首先，它可以用于基因组注释和功能预测。通过分析基因组数据，LucaOne能够识别出潜在的基因功能和调控机制，从而为基因功能研究提供新的线索。
其次，LucaOne可以用于蛋白质结构预测和药物设计。通过分析蛋白质序列，LucaOne能够预测蛋白质的三维结构，从而为药物设计提供新的靶点。
最后，LucaOne还可以用于生物系统的模拟和优化。通过综合分析基因组、转录组和蛋白质组数据，LucaOne能够模拟生物系统的运行机制，从而为生物工程和合成生物学提供新的工具。
批判性分析：模型的优势与局限
1. 优势
Views: 0