语义设计：从基因组背景编程功能基因
生成式基因组模型在创建复杂生物系统方面具有巨大潜力，但设计精确的功能序列仍然充满挑战。由Merchant等人在《自然》杂志上提出的语义设计方法，标志着这一领域的重大突破。该方法利用Evo基因组语言模型，仅凭基因组背景信息即可生成全新的功能基因。更重要的是，SynGenome数据库收录了通过语义设计产生的超过1200亿个序列，涵盖了多种多样的功能。
背景与核心创新
基于结构的AI模型，如AlphaFold和RFdiffusion，已经彻底改变了我们对蛋白质结构与功能关系的理解。然而，这些方法仍然依赖于多序列比对中的共同进化数据，或者试图通过去噪扩散模型在结构空间中进行优化。Merchant等人则开创了一种开创性的方法：通过在原核生物基因组上训练Evo模型，输入基因组背景作为提示，使模型能够“自动完成”并生成功能性CRISPR抑制剂和毒素-抗毒素系统。
其根本性的理论创新在于系统性地将语言学的“分布假说”应用于基因组分析。类似于我们通过上下文理解单词的含义，一个基因的功能也可以通过其基因组环境来定义。传统的微生物遗传学广泛使用“关联推定”原则来发现新基因——功能相关的基因通常在基因组上物理相邻。然而，这种方法本质上是在利用现有的自然多样性。语义设计将这一原则提升到了生成层面，使模型能够基于其对基因组背景的理解，创造出自然界尚未观察到的新功能序列。
Evo模型的技术实力
Evo 1.5模型采用了拥有70亿参数的基因组语言模型，能够处理长上下文。该模型在OpenGenome数据集上进行了预训练，该数据集包含约8万个原核生物基因组以及超过200万个噬菌体和质粒序列，总计约3000亿个核苷酸。与其前身相比，其预训练标记规模从3150亿扩展到4700亿，Evo 1.5表现出显著的性能提升。
在基因补全任务中，Evo 1.5展现了卓越的能力。当仅提供30%的输入序列时，其对rpoS基因的氨基酸序列恢复率达到了85%。这种性能优势在对三个保守原核基因（rpoS、gyrA和ftsZ）的评估中均得到一致体现。重要的是，该模型展示了对多基因组织原则的深刻理解；无论提供上游、下游或互补链信息作为提示，生成的E. coli trp操纵子基因与天然对应物显示出近乎完美的结构预测重叠，同时保持高序列同一性。
位置熵分析有力地反驳了模型仅仅是记忆数据的说法。对天然和生成的modB序列的比较分析显示，在氨基酸水平上高/低熵区域分布一致，表明模型精确保留了关键功能位点，同时在核苷酸水平保持高熵。这证明了模型掌握了密码子简并性，能够在DNA层面产生大量的序列多样性，同时严格遵守蛋白质的功能约束，从而精确模拟了自然进化的一个核心特征。进一步分析证实了这种“模拟进化”的质量：当引入氨基酸改变时，模型优先选择在BLOSUM62矩阵中得分高的保守替换，展示了对自然进化约束的深刻模仿，确保了结构稳定性和功能性，同时兼具显著的新颖性。
在复杂系统构建中的验证
Merchant等人对语义设计方法构建复杂生物系统进行了广泛验证，涵盖了两种不同的相互作用模式：蛋白质-蛋白质（II型毒素-抗毒素系统）和蛋白质-RNA（III型系统）。他们建立了一个简化的“接力”设计流程：首先基于基因组背景生成毒素，随后鉴定出具有生长抑制功能的毒素，然后利用这些毒素作为提示，指导模型生成相应的抗毒素。
实验结果证实了该流程的有效性——II型抗毒素EvoAT1-4成功恢复了被EvoRelE1阻碍的细菌生长，而III型RNA抗毒素EvoAT6有效中和了ToxN的毒性。这强调了模型不仅理解单个基因的功能，还理解基因对之间的“毒素中和”动力学。值得注意的是，设计的抗毒素表现出显著的兼容性。虽然毒素-抗毒素系统具有高度特异性，但研究发现EvoAT2和EvoAT4不仅能够中和其指定的目标EvoRelE1，还能有效抑制多种天然毒素（RelE、MazF和YoeB）。这表明Evo可能捕捉到了抗毒素中和的潜在“底层通用机制”，使得设计的防御元件具有比自然进化过程产生的更广泛的特异性，这对合成生物学的进步具有重要影响。
超越序列相似性的功能实现
语义设计的力量在于其能够超越序列相似性的限制。尽管EvoAT1-4与天然抗毒素的序列同一性较低（21%-27%），但AlphaFold 3对EvoAT1-4与其同源毒素的结构预测也显示出高置信度的复合物形成。同样，工程化毒素EvoRelE1尽管存在显著的序列变异，但仍与其最佳BLAST匹配保持高度的结构一致性。这表明功能结果主要由“背景”决定——在适当的背景框架下，模型重建了正确的功能架构。
在抗CRISPR蛋白设计中的优势
语义设计的优势在抗CRISPR蛋白设计中尤为明显。由于Acr蛋白的快速进化和低序列保守性，传统的预测方法面临巨大挑战。Merchant等人利用Acr基因的基因组背景（经常与aca基因共现）作为提示，促使Evo生成新的Acr蛋白。这一策略被证明非常有效——与随机提示相比，Acr背景提示生成的序列在PaCRISPR分类器中得分显著更高，并且产生的候选库表现出高多样性，序列间相似性极低。
功能验证证实了AI生成序列的生物活性。在质粒保护实验中，Acrs抑制了Cas9介导的抗性基因切割，使细菌在抗生素条件下存活；生成的EvoAcr1-5提供了显著的保护，其中EvoAcr3-5的活性与AcrIIA2相当。通过噬菌体感染实验进行的正交验证显示噬菌斑形成，表明EvoAcrs有效抑制了CRISPR-Cas9系统，使噬菌体成功感染。
EvoAcr的新颖性令人惊叹。EvoAcr4-5与已知Acrs有中等相似性；EvoAcr3类似于功能被重定向的Sigma-70家族蛋白；而EvoAcr1和EvoAcr2在BLAST nr或OpenGenome中没有显著的序列同源物，AlphaFold 3也无法提供高置信度的结构预测。这表明Evo在序列空间中设计了“功能暗物质”——表现出强大的生物功能，但其折叠和序列特征完全超出了当前生物信息学工具的范围。
SynGenome数据库：一个并行的基因组宇宙
为了增强研究界的能力，Merchant等人开发了SynGenome数据库，其中包含从170万个天然基因提示生成的1200亿个碱基对的合成序列。统计分析表明，这些“合成基因”紧密模仿了天然生物物理特性——它们的密码子使用偏好与天然序列一致，预测的开放阅读框长度分布与天然模式吻合，Pfam蛋白家族的丰度分布反映了自然界中特征性的长尾分布。这证明SynGenome不是随机组装，而是包含了统计和生物学上合理的“平行基因组”。
对提示共现的检查表明，模型重现了天然的基因组共定位模式。更重要的是，这些关联使得预测未知功能域成为可能。因此，SynGenome不仅作为一个序列库，更作为一个用于挖掘基因功能关联的知识图谱。其价值超越了模仿，达到了超越。Leiden聚类分析显示，虽然大多数生成的序列与天然序列混合，但约19%形成了独特的“仅生成”簇，表明模型探索的序列空间是自然进化未曾触及的。该数据库还包括各种自然界中不存在的“嵌合蛋白”，展示了不同功能域的创新融合，为合成生物学应用提供了一个预组装的潜在增强组件库。
互补现有方法的全新范式
语义设计代表了一种全新的蛋白质设计范式，对现有方法形成了补充。首先，与需要任务特异性微调的技术相比，语义设计无需额外训练即可运行，从而避免了对已表征样本的偏向。其次，与通过自然语言描述定义功能相比，语义设计直接访问嵌入基因组序列中的功能多样性，利用了尚未被表征的生物学过程。实验证明的成功率在17%-50%之间（基于测试有限数量的变体），超过了许多蛋白质设计方法的成功率。这一较高的成功率尤其值得注意，因为许多设计的蛋白质与功能相似的蛋白质，或在某些情况下与任何已知蛋白质，都表现出极低的序列同源性。
挑战与未来展望
尽管如此，语义设计仍面临挑战。自回归生成可能产生重复序列或产生看似真实但无功能的设计。此外，目前它仅限于自然界中存在的、尤其是原核生物内的上下文关系所编码的功能。值得注意的是，只有一小部分原核生物功能多样性已被发现，而对这种多样性的探索已经产生了强大的技术，如PCR、光遗传学和基因组编辑。
总结
总之，通过解码基因组的分布语义，Evo 1.5证明了生物功能可以从基因组背景中有效生成，从而规避了对结构先验或序列同源性的依赖。那些没有可识别同源物且AlphaFold预测置信度低的活性暗物质蛋白的存在，为生成模型探索序列空间内的功能“岛屿”提供了令人信服的证据。这项工作将语义设计确立为一种变革性范式，为合成生物学的新进展铺平了道路，使得发现和设计超越自然进化过程限制的复杂多组分系统成为可能。
参考文献
Semantic design: Programming functional genes from genomic context
