生物学专属ChatGPT来了：对话式AI智能体——ChatNT，能够理解DNA、RNA和蛋白质语言

2022 年底，ChatGPT 横空出世，这个能够学习并理解人类自然语言的 AI 聊天机器人震惊了全世界，并掀起了大语言模型（LLM）浪潮。

而现在，人工智能公司 InstaDeep 将这种 AI 的这一强大能力带到了生命科学领域，打造了一款名为 ChatNT（Chat Nucleotide Transformer）的多模态对话智能体，能像生物学家一样，“读懂” DNA、RNA 和蛋白质的序列信息，并用自然语言（英语）与你对话，直接回答你关于这些生物分子的各种专业问题。

该研究以：A multimodal conversational agent for DNA, RNA and protein tasks 为题，于 2025 年 6 月 6 日 发表在了 Nature 子刊 Nature Machine Intelligence 上，该论文的作者还包括来自 mRNA 疫苗巨头 BioNTech 的研究人员。 

生物学研究的痛点：模型太多、门槛太高

在基因组学、转录组学和蛋白质组学研究中，科学家们常常需要预测特定 DNA 序列的功能（比如是不是启动子、有没有增强子活性）、RNA 的稳定性，或者蛋白质的特性。传统的方法是针对每一个具体任务，训练一个专门的深度神经网络模型。

痛点1、“模型海”：任务成千上万，每个任务都要单独训练和维护一个模型？这不仅效率低下，也阻碍了不同任务间知识的共享和迁移。

痛点2、“编程墙”：这些专业模型通常需要编程技能（例如 Python）才能使用和分析结果。对于广大没有计算机背景的生物学家来说，这无疑是一道高墙，限制了先进技术的普及和应用。

ChatNT：一个模型，自然对话，通吃多任务

ChatNT 的诞生，就是为了解决这两个核心痛点。研究团队创造性地将两类强大的 AI 模型“合体”：

1、DNA 编码器（DNA Encoder）：核心是 Nucleotide Transformer v2 模型（一个拥有 5 亿参数、在 850 个物种基因组上预训练过的 DNA 大语言模型）。它能深度理解 DNA 序列中蕴含的复杂模式和特征。

2、英语解码器（English Decoder）：使用的是经过指令微调的 Vicuna-7B 模型（一个基于 LLaMA 的70亿参数大语言模型）。它擅长理解人类自然语言指令并生成自然流畅的回复。

在二者之间，研究团队实现了关键的一步——投影层（Projection Layer），通过设计的英语感知投影（English-aware Projection），将 DNA 编码器理解的序列信息转化为英语解码器能够处理的格式，更重要的是，它能根据使用英语提出的问题，动态地从 DNA 信息中筛选和提炼出最相关的部分，这就像给信息流加了一个“智能滤网”，极大地提升了信息传递的效率和针对性。

ChatNT的工作原理简单来说就是：

1、用户输入问题（使用英语），并在问题中用特殊标记指代提供的 DNA/RNA/蛋白质序列文件。

2、DNA 编码器分析序列，生成深度特征。

3、英语感知投影接收这些特征和用户的问题，动态提取与问题最相关的信息，转换成英语解码器能理解的格式。

4、英语解码器结合问题和转换后的序列信息，生成自然语言答案。

5、答案返回给用户，直接回答提出的问题。

强大表现：媲美专用模型，还能聊天

ChatNT 可不是花架子，它在多项严格的生物信息学基准测试中展现了惊人的实力：

1、刷新纪录：在权威的“Nucleotide Transformer Benchmark”（包含 18 项基因组学任务）上，ChatNT 的平均马修斯相关系数（MCC）达到了 0.77，比之前最好的专用模型（Nucleotide Transformer v2）提高了 8 个百分点，创造了新的 State-of-the-Art（SOTA）。

2、全能选手，一个顶N个：ChatNT 的突破性在于，它是一个统一的模型，能同时处理这 18 项完全不同的任务（例如预测启动子、识别甲基化位点、判断染色质开放性等）。用户只需去“问”它即可。这解决了传统方法需要“一任务一模型”的困境。

3、挑战复杂生物任务，不输专家：研究团队进一步构建了一个包含 27 项更具生物学意义任务的“基因组指令数据集”（涵盖DNA、RNA、蛋白质）。ChatNT 在其中大多数任务上表现优异，性能与当前领域内顶尖的专用模型不相上下。例如：

• 在人类启动子活性、增强子类型预测等 DNA 任务上表现出色；
• 在预测 RNA 多聚腺苷酸化位点比例的任务上，皮尔逊相关系数（PCC）达 0.91，略优于专用模型 APARENT2（0.90）。
• 在预测蛋白质熔点的任务上，PCC 达 0.89，优于蛋白质大模型 ESM2（0.85）。
• 虽然在 RNA 降解任务上略逊于专用模型 Saluki，但研究团队指出，未来整合 RNA 专用编码器将能弥补这一差距。

4、理解生物“语法”：利用模型解释技术，研究团队发现，ChatNT 在回答问题时，其决策依据与已知的关键生物学特征高度吻合。例如，在识别剪接供体位点时，它重点关注“GT”二核苷酸；在识别启动子时，它关注“TATA-box”基序。这表明它真正学习到了 DNA 序列中蕴含的生物学规则。

5、尝试“校准”信心：为了解决大模型生成答案时可能“信口开河”的问题，研究团队探索了一种基于“困惑度（Perplexity）”的方法来评估 ChatNT 在二元分类任务（“是/否”）上的回答置信度。初步结果显示该方法有效，未来可整合到工具中，帮助用户判断答案的可靠性。

意义与未来：生物学研究的“对话革命”

ChatNT 的出现，标志着生物学 AI 研究进入了一个新阶段：

• “对话式”生物信息学：最大的变革在于交互方式。生物学家无需编程，只需像提问同事一样，用英语描述问题并提供序列数据，ChatNT 就能直接给出答案或分析结果。这大大降低了先进 AI 工具的使用门槛。
• 统一、通用的生物大模型雏形：ChatNT 证明了用一个统一模型处理多种不同类型生物序列（DNA/RNA/蛋白）任务的可行性，朝着构建真正的“通用型生物学 AI 模型”迈出了重要一步。
• 知识迁移与零样本潜力：通过自然语言统一任务框架，模型在不同任务间学习到的知识更容易相互迁移，也为未来实现“零样本”（Zero-shot，无需额外训练数据）解决新任务奠定了基础（例如，用户直接问一个训练数据中未明确包含的问题）。
• 无限扩展可能：其模块化架构允许轻松集成更强大的 DNA/RNA/蛋白质编码器（如处理超长序列的 Borzoi 模型，或更强大的RNA/蛋白大模型）以及更强大的对话模型（例如 Llama 2-Chat）。未来可扩展到整合更多模态，例如结构信息（蛋白质三维结构）、组学数据、甚至医学影像，构建更全面的生物医学智能体。
• 解读基因突变的新途径：未来用户可能只需提供“野生型”和“突变型”序列文件，然后问 ChatNT：“这个突变会导致疾病吗？”，它就能基于对序列的理解给出分析预测。

总的来说，ChatNT 并非只是一个“噱头”。它通过创新的多模态架构（结合 DNA 编码器、英语感知投影和英语解码器），首次实现了用自然语言对话的方式，让 AI 理解和分析复杂的 DNA、RNA 和蛋白质序列信息。它在多项基准测试中达到或逼近最先进水平，一个模型解决多个任务，并能揭示生物学相关的序列特征。

这项研究为生物学研究提供了一种革命性的交互范式。想象一下，不久的将来，只需对着 AI 助手描述：“帮我分析这段患者 DNA 序列，看看这个位置的突变会不会影响附近那个基因的表达，特别是在肝细胞里”，然后，ChatNT（或其进化版）就能给出专业的、可理解的回答。这无疑将极大加速生命科学的探索进程，让生物信息学分析变得更加直观、高效和普及。