AI读不懂人类基因组？数据困境成最大拦路虎

过去几年，人工智能在生物医学领域的进展令人目不暇接：AlphaFold预测蛋白质结构、大模型辅助药物设计、AI解读医学影像……每当谈到AI与生命科学的结合，基因组学总是被寄予厚望。毕竟，DNA常被描述为“生命的说明书”，既然是一本说明书，交给擅长处理海量信息的AI来阅读，岂不是顺理成章？

然而，知名科普作家Philip Ball在《连线》（WIRED）撰文指出，这种类比本身就存在误导。我们细胞内的DNA并不是一本静态的指令手册，而是一个持续变化、层层调控、高度动态的系统。正因为如此，AI模型和科学家一样，目前都还没有足够的数据来正确“读懂”它。

“DNA不是一串等待被翻译的指令，而更像一场永不落幕的即兴演出。”

基因组不是代码，而是动态系统

“基因组是一本说明书”这一说法流传甚广，却掩盖了大量关键细节。人类的基因组包含约30亿个碱基对，但真正编码蛋白质的序列只占很小一部分。其余部分中包含大量调控元件，它们决定基因在什么时间、什么细胞类型、以何种强度被表达。更重要的是，DNA在细胞核中并非裸露的线性分子，而是缠绕在组蛋白上形成染色质，其三维折叠方式直接影响哪些基因可以被“读取”。

此外，DNA甲基化、组蛋白修饰等表观遗传标记会随环境、发育阶段和疾病状态不断变化。换句话说，同一个人的基因组在不同细胞、不同时刻呈现出截然不同的“工作状态”。把基因组简单理解为静态代码，就像把一部交响乐的乐谱当成演奏本身——乐谱只是起点，真正的音乐取决于指挥、乐手和现场环境。

AI在基因组学中的现状

AI并非没有用武之地。近年来，基于Transformer的基因组语言模型（如DNABERT、Nucleotide Transformer等）尝试从海量序列中学习调控规律；单细胞测序数据的爆发也推动了AI在细胞类型注释、基因调控网络推断等任务上的应用。在变异致病性预测、剪接位点识别等具体问题上，深度学习模型已经展现出超过传统方法的潜力。

但问题在于，这些模型学到的大多是序列层面的统计相关性，而非对基因组运作机制的真正理解。当研究场景从“识别某个模式”转向“解释某个调控过程为何发生”时，模型往往力不从心。Philip Ball指出，AI模型面临的核心瓶颈与科学家相同：缺乏足够、足够多样、足够动态的数据。

数据困境：我们看到的只是冰山一角

基因组数据的“多”和“够用”是两回事。目前公共数据库中的基因组序列数量确实庞大，但绝大多数来自少数人群和少数组织类型，且多为静态的参考序列。要理解基因组的动态性，需要的是跨时间、跨组织、跨个体、跨环境条件的多层次数据，包括转录组、表观基因组、染色质构象、蛋白质-DNA相互作用等。这类数据的获取成本高、标准化程度低、批次效应严重，远未达到训练通用模型所需的规模和质量。

更棘手的是，基因组的功能具有强烈的上下文依赖性。同一个调控元件在不同细胞类型中可能发挥完全相反的作用，而现有数据很难覆盖这种组合爆炸式的场景。模型在训练集上表现优异，一旦进入新的生物学情境便可能失效。这也解释了为何许多基因组AI工具在论文中成绩亮眼，却在真实临床或科研场景中难以落地。

编者按：需要“懂生物学”的AI

这并不意味着AI在基因组学中的前景黯淡，而是提示我们调整预期和方法。未来的突破可能不在于把更大的模型堆到更多的序列上，而在于构建能够整合多模态、多尺度、动态数据的表示体系，并将生物学先验知识嵌入模型结构之中。同时，实验技术与数据共享机制的进步同样关键——没有高质量的动态数据，再强大的模型也只是在有限的投影上做文章。

基因组学的历史一再证明，生命的复杂性总会超出我们当下的想象。AI或许终将成为解码基因组的重要工具，但在那之前，我们需要先承认一个事实：我们手中的数据，还远远不足以讲述基因组的完整故事。

本文编译自WIRED