基于DNA序列训练的大型语言模型（艺术图）。图片来源：物理学家组织网
科技日报北京8月6日电 （记者张佳欣）DNA包含了维持生命所需的基础信息。理解这些信息是如何存储和组织的，一直是20世纪最大的科学挑战之一。现在，借助GROVER这一基于人类DNA训练的新型大型语言模型，研究人员有望解码基因组中隐藏的复杂信息。GROVER由德国德累斯顿工业大学生物技术中心开发，它将人类DNA视为文本，通过学习其规则和上下文来提取DNA序列的功能信息。这一新工具有望彻底改变基因组学并加速个性化医疗的发展。相关研究论文发表在新一期《自然·机器智能》杂志上。
大型语言模型通过文本训练，发展出了在多种语境下使用语言的能力。研究人员设想将生命代码DNA当作一种语言，训练了一个大型语言模型——GROVER。
在语言方面，人们谈论的是语法、句法和语义。而对于DNA来说，这意味着学习核苷酸的序列等。就像GPT模型学习人类语言一样，GROVER基本上学会了DNA“语言”。
研究表明，GROVER不仅能准确地预测接下来的DNA序列，还可用来提取具有生物学意义的上下文信息，例如识别DNA上的基因启动子或蛋白质结合位点。此外，GROVER还学习了“表观遗传”过程，即在DNA序列不发生改变的情况下，基因表达的可遗传变化。
GROVER有望解锁DNA中蕴含着关于人类本质、疾病易感性以及对治疗反应的关键信息。研究人员相信，通过语言模型理解DNA的规则，将有助于揭示隐藏在DNA中的生物意义，从而推动基因组学和个性化医学发展。