Nature：告别结构先验——Evo模型如何利用“基因组语义”实现功能基因的从头设计？

基因组的“语言模型”：从Evo 1.0到Evo 1.5

为了实现这一壮举，研究人员构建了Evo 1.5模型，这是在原有Evo 1模型基础上的大规模升级。Evo 1.5的训练数据来自OpenGenome数据集，包含了约80,000个细菌和古菌基因组，以及超过200万个噬菌体和质粒序列，总计约3000亿个核苷酸。

但Evo 1.5最引人注目的并非数据量，而是它的“长上下文”能力。它将上下文窗口扩展到了131,072个token。这意味着模型在生成一个碱基时，可以参考长达13万个碱基的上下文信息。这对于理解原核生物的基因组至关重要，因为基因之间的调控和协作往往跨越了相当长的距离。

为了验证Evo 1.5是否真的理解了基因组的“语境”，研究人员设计了一个经典的“自动补全”测试。就像考Evo做“完形填空”：只给模型看基因序列的前30%、50%或80%，让它把剩下的补全。

结果显示，Evo 1.5展现出了惊人的理解力。以大肠杆菌的 rpoS 基因这类长序列为例，仅仅给出30%的序列作为提示，Evo 1.5就能恢复出85%的原始氨基酸序列。相比之下，上一代拥有同样长上下文窗口但训练步数较少的Evo 1 131K模型，恢复率仅为65%。这20%的巨大提升，证明了通过更长时间的预训练，模型能够捕捉到更深层的长程依赖关系。当提示序列增加到80%时，Evo 1.5的恢复率几乎达到了完美的100%。

更有趣的是，Evo不仅仅是在死记硬背。当检查生成的 modB 基因序列时，研究人员发现虽然氨基酸层面的关键位点被保留了下来，但在核苷酸层面上，生成的序列展现出了极高的多样性。这意味着，Evo理解了“同义词”的概念——它知道可以用不同的DNA编码来表达相同的蛋白质功能。

挑战进化军备竞赛：毒素-抗毒素系统的语义生成

真正的挑战在于“创造”。研究人员将目光投向了细菌和噬菌体之间那场永恒的战争：防御系统。他们首先选择了II型毒素-抗毒素系统（Type II Toxin-Antitoxin, T2TA）。利用这种基因在基因组上紧邻的关系，研究人员设计了一套巧妙的“语义设计”流程：

1 输入上下文：输入毒素基因周围的DNA序列，询问AI：“这里应该有个毒素，它长什么样？”

2 验证毒性：拿到AI生成的毒素后，验证其是否具有生物学毒性。

3 生成解药：把这个新生成的毒素作为“上下文”，反过来问AI：“谁能中和这个毒素？”

实验结果令人振奋。研究人员筛选出的EvoRelE1毒素表现出了强烈的毒性，能将细菌的相对存活率降低约70%。随后，以EvoRelE1为提示生成的抗毒素候选者中，50%成功挽救了细胞的生长。其中，EvoAT1和EvoAT2表现尤为出色，将细胞存活率恢复到了95%甚至100%。

这里出现了一个颠覆认知的现象：交叉反应性与“通用语法”。在自然界中，RelB抗毒素通常只能中和它对应的RelE毒素。然而，AI生成的EvoAT2竟然展现出了惊人的广谱性——它不仅能中和EvoRelE1，还能中和自然界中的RelE、MazF和YoeB三种不同的毒素！

更令人惊讶的是，EvoAT1到EvoAT4与自然界已知蛋白的序列同一性极低，仅在21%到27%之间。特别是EvoAT2和EvoAT3，它们在数据库中最接近的匹配对象甚至不是抗毒素，而是某种“假设蛋白”（Hypothetical Protein）。这意味着，Evo在设计这些功能蛋白时，触及到了现有数据库注释之外的“暗物质”区域。

跨越模态的创造：蛋白质与RNA的共舞

生命的功能不仅仅由蛋白质执行。为了测试Evo是否能跨越模态差异，研究人员挑战了III型毒素-抗毒素系统（T3TA）。在这个系统中，抗毒素不是蛋白质，而是一种重复的RNA序列。

Evo再次证明了其强大的通用性。Evo生成了一个名为EvoT1的毒素蛋白和一个名为EvoAT6的RNA抗毒素。实验数据表明，EvoT1具有强烈的细胞毒性（存活率降至33%），而EvoAT6 RNA能够有效中和一种名为ToxN的天然III型毒素，将细菌存活率恢复到88%。

值得注意的是，EvoAT6与已知最接近的天然RNA抗毒素相比，序列同一性仅为78%。尽管序列有差异，但Evo生成的RNA精准地保留了关键的二级结构特征——假结（Pseudoknot）和茎环结构，这说明模型隐式地掌握了RNA折叠和分子互作的物理规律。

寻找“幽灵”：从零生成的抗CRISPR蛋白

抗CRISPR蛋白（Acrs）是进化的急先锋，序列变化极快。利用已知的Cas9靶向Acr操纵子作为上下文提示，Evo“脑补”出了一系列潜在的Acr基因。

在实验中，5个Evo生成的候选蛋白（EvoAcr1-5）表现出了强大的保护作用。其中，EvoAcr4和EvoAcr5的活性与已知的阳性对照相当。但真正让人倒吸一口凉气的是 EvoAcr1 和 EvoAcr2。

这两个蛋白是真正的“幽灵”。在OpenGenome数据库和NCBI的非冗余蛋白数据库中，研究人员找不到任何与它们具有显著序列同一性的蛋白。

即使是基于结构的搜索工具（如Dali和Foldseek）也束手无策，找不到强有力的结构匹配。AlphaFold对它们的结构预测置信度（pLDDT）极低，意味着在AI看来，它们甚至不像是一个折叠良好的蛋白质。然而，就是这两个在生物信息学上“查无此人”的序列，在实验中却实实在在起到了抗CRISPR的作用，相对存活率分别达到了0.82和0.74。

Evo告诉我们，在广阔的序列空间中，存在着大量我们未知的、不符合现有结构规则但依然具备功能的“孤岛”。语义设计，让我们第一次有能力登陆这些孤岛。

拼接出的生命奇迹：残基覆盖度分析

Evo到底是如何创造出这些“怪物”的？研究人员进行了一项精细的“残基覆盖度分析”。对于EvoAcr1和EvoAcr2，要拼凑出它们的完整序列，竟然需要分别从 28个 和 31个 不同的自然蛋白质中借用片段。作为对比，自然界中的Acr蛋白通常只需要2-6个片段就能覆盖。

这种碎片化的拼接程度，与目前最先进的从头设计（De Novo Design）AI模型（如RFdiffusion或BindCraft）生成的蛋白质相当。这说明Evo并不是在简单的记忆，而是在极其微观的层面，基序甚至更小的单位上，重新组合生命的积木。它学会了蛋白质构成的“语法”，然后用这些语法写出了全新的“句子”。

SynGenome：1200亿碱基的合成基因组宝库

研究人员没有止步于几个特定的系统，他们利用Evo 1.5生成了一个名为 SynGenome 的合成基因组数据库。这个数据库包含了超过1200亿碱基对的合成序列，以及370万个预测的蛋白质结构，涵盖了9000个基因本体（GO）术语。

SynGenome是一个充满了未知联系的知识图谱。例如，未知功能结构域 DUF2871 在多次提示-生成对中与“细胞色素c”频繁共现，这强烈暗示了DUF2871可能参与了呼吸链反应。此外，数据库中还发现了许多“嵌合体”（Chimeras），即由两个通常不相关的结构域融合而成的单一蛋白质，这可能代表了全新的生化功能或调控机制。

超越自然进化的语义跃迁

这项研究向我们展示了一种全新的生物学范式：功能不一定非要通过结构或序列相似性来定义，它可以通过“语境”来定义。

Evo生成的那些在序列和结构上都“离经叛道”却功能完备的基因，实际上是对我们现有生物学知识边界的一次拓展。生命的语言比我们想象的要丰富得多。当我们用AI去阅读这本写了40亿年的生命之书时，我们惊喜地发现，AI不仅学会了阅读，还学会了写作。SynGenome数据库现已完全开放 ( https://evodesign.org/syngenome/ ），等待着全球的研究人员去挖掘其中隐藏的生物学宝藏。