所有生命都是用 DNA 编码信息。尽管基因组测序、合成和基因组编辑工具已经改变了生物学研究，但我们对基因组所编码的巨大Kaiyun全站网页复杂性的理解，仍不充分，无法预测许多类型的基因组变化的影响，也无法智能地构建新的生物系统。

　　飞速发展的人工智能模型（AI Model）能够从不同生物的基因组序列中学习、提取信息，其预测和设计能力日益增强，为我们实现预测生命和设计生命提供了前所未有的机会。

　　这标志着有史以来最大的生物学人工智能模型（AI model for biology）——Evo-2，经过了同行评议后正式发表。该模型训练了从病毒到单细胞的细菌、古菌，再到真核生物以及多细胞的植物以及人类的生命之树中的 12.8 万个基因组的9.3 万亿个核苷酸，从而能够实现对所有生命域的理解、建模和设计遗传密码，从头开始编写整个染色体，甚至从头设Kaiyun官方入口计生命，还能准确预测所有类型的基因突变（包括编码基因和非编码基因）的影响。

　　Evo-2 的训练使用了 2000 多个英伟达 H100 GPU，并得到了英伟达研究人员和工程师的合作支持。更重要的是，Evo-2 是完全开源的，在 GitHub 上共享了模型参数、训练代码、推理代码以及训练使用的 OpenGenome 2 数据集。世界各地的研究人员可以通过英伟达 BioNeMo 平台免费访问以及部署 Evo-2，从而加速对生物复杂性的探索和设计。

　　该论文发布了首个在全基因组规模上以单核苷酸分辨率预测和生成 DNA 序列的 AI 模型——Evo。

　　Evo是在原核生物（细菌、古菌）和噬菌体的基因组上进行训练，能够在 DNA、RNA 和蛋白质模式下实现零样本功能预测，还能够生成长度超过百万碱基对的具有合理基因组结构的 DNA 序列。研究团队使用 Evo 生成了CRISPR-Cas分子复合物和IS200/IS605转座子，并验证了它们的功能活性，这也是首次通过语言模型实现蛋白质-RNA 和蛋白质-DNA 协同设计的实例。

　　所有生命都以DNA编码信息，就像人类用语言记录思想。尽管基因测序、合成和编辑技术已经相当成熟，但我们仍然难以完全理解基因组中蕴含的复杂信息，更无法精准预测基因突变的影响或智能设计新的生物系统。

　　Evo-2的核心理念是将DNA视为一种“生命语言”，通过大规模无监督学习，让 AI 自行掌握这种语言的语法和语义。

　　Evo-2 的前身 Evo 完全是在单细胞生命的基因组上进行训练的，而 Evo-2 进一步将其训练数据扩展到了生命的所有域——从细菌、古细菌、噬菌体，以及植物、动物、人类和其它单细胞和多细胞的线 万个全基因组和宏基因组数据的 9.3 万亿个核苷酸（包含编码序列和非编码序列），训练参数高达 400 亿（Evo-2 有两个版本，训练参数分别是 70 亿和 400 亿）。训练过程使用了超过 2000 张英伟达 H100 GPU，持续数月时间，规模接近顶尖通用大模型。

　　StripedHyena 2架构，这是一种新的卷积混合架构，融合了输入依赖卷积和注意力机制，相比 Transformer 架构，能够大幅提高训练速度和推理效率，在处理长序列时比标准 Transformer 快了 3 倍，显存占用也更低。

　　零样本预测——无需针对特定任务进行微调，就能准确评估基因突变的功能影响。

　　剪接是基因表达的关键步骤，剪接错误与多种疾病相关。在 SpliceVarDB 数据集（包含实验验证的剪接突变）上，Evo-2 在内含子突变预测中与专业监督模型竞争激烈，略低于 SpliceAI 和 CADD，但优于 Pangolin；在外显子突变预测中，虽然落后于专业模型，但超越了所有零样本模型。

　　BRCA1是著名的乳腺癌易感基因，准确预测其突变后果对风险评估和预防策略至关重要。该研究显示，Evo-2 在没有针对特定任务进行训练（即零样本）的情况下，能够准确预测 BRCA1 基因的编码区和非编码区单核苷酸突变，这一能力扩展到相关基因 BRCA2 时同样突出，这表明了 Evo-2 是一个有效的零样本预测器，能够广泛应用于多种类型的人类功能性基因突变评估。

　　Evo-2 的生成能力为合成生物学开辟了新可能。通过推理时搜索技术，研究人员可以引导模型设计具有特定功能的 DNA 序列。例如，团队成功设计Kaiyun官方入口了具有预设染色质可及性模式的序列，甚至在表观基因组上“写”出了“EVO2”、“ARC”这样的摩斯电码。这种可控生成能力，使得定制化设计启动子、增强子等调控元件成为可能。

　　完全开源——包括模型参数、训练代码、推理代码以及 OpenGenome2 数据集。