I dag afslørede forskere, hvad de hævder er den største kunstige intelligens (AI) model rettet mod biologisk forskning. Denne model, der er trænet på 128. 000 genom, som repræsenterer et bredt spektrum af liv, fra mennesker til encellede bakterier og archaea, har evnen til at generere komplette kromosomer og små genom fra bunden. Den excellerer også i at fortolke eksisterende DNA, herunder udfordrende 'non-coding' genvarianter forbundet med sygdomme. Kaldet ‘ChatGPT for CRISPR’, blev Evo-2 co-udviklet af teams fra Arc Institute og Stanford University i Palo Alto, Californien, samt chipproducenten NVIDIA. Tilgængelighed gives gennem webinterfaces, og forskere kan downloade den frit tilgængelige softwarekode, data og andre parametre nødvendige for modelreplikering. Skaberne forestiller sig Evo-2 som en alsidig platform for forskere at tilpasse til deres behov. Under en pressebriefing om Evo-2's lancering udtrykte Patrick Hsu, bioingeniør ved Arc Institute og University of California, Berkeley, begejstring over, hvordan forskere og ingeniører muligvis kunne konstruere denne 'app store' for biologisk innovation. Reaktionerne fra andre forskere fremhæver deres nysgerrighed over for modellen, der er detaljeret i et papir tilgængeligt på Arc Institute's hjemmeside og indsendt til bioRxiv preprint serveren. De understreger dog behovet for uafhængige evalueringer, før de danner definitive domme. “Vi skal se, hvordan det klarer sig i uafhængige benchmarks, når preprintet er tilgængeligt, ” sagde Anshul Kundaje, en beregningsgenomiker ved Stanford University. Han er i øjeblikket imponeret af ingeniørarbejdet bag modellen. I de senere år har forskere skabt stadig mere avancerede 'protein sprogmodeller' som ESM-3, udviklet af tidligere Meta-medarbejdere. Disse modeller, trænet på millioner af proteinsekvenser, har været afgørende for at forudsige proteinstrukturer og designe helt nye proteiner, herunder genredaktører og fluorescerende molekyler. AI har foreslået en overflod af nye proteiner, men effektiviteten af disse skabelser forbliver et åbent spørgsmål. I kontrast til andre modeller blev Evo-2 trænet ved hjælp af genomiske data, der inkluderer både 'kodende sekvenser', ansvarlige for produktionen af proteiner, og ikke-kodende DNA, der regulerer genaktivitet.

Den oprindelige version af Evo, der blev udgivet sidste år, fokuserede på genom af 80. 000 prokaryote organismer, som inkluderer bakterier, archaea og deres associerede virus. Den nyeste model bygger på et datasæt af 128. 000 genom fra en bred vifte af arter, herunder mennesker, andre dyr og planter, som repræsenterer i alt 9, 3 trillioner DNA-breve. Efter at have overvejet de beregningsmæssige krav til at behandle disse omfattende data, udtaler Hsu, at Evo-2 står som den største biologiske AI-model, der er blevet udgivet til dato. Eukaryote genom, som findes i organismer ud over prokaryoter, er generelt mere komplekse og længere. Disse genom har sammenblandede sekvenser af kodende og ikke-kodende regioner, hvor regulatorisk DNA nogle gange findes langt fra de gener, de påvirker. Derfor blev Evo-2 designet til at genkende mønstre i DNA-sekvenser, der kan være op til 1 million basepar fra hinanden. For at demonstrere sin dygtighed i at fortolke komplekse genom, brugte Hsu og hans kolleger Evo-2 til at analysere tidligere studerede mutationer i BRCA1-genet, som er forbundet med brystkræft. Modellen matcher næsten præstationen af de bedste bio-AI-modeller i analysen af virkningen af mutationer i kodende regioner forbundet med sygdomme og opnåede “state of the art for ikke-kodende mutationer. ” I fremtiden kunne Evo-2 hjælpe med at identificere disse komplekse ændringer i patientgenom. Derudover evaluerede forskerne modellens evne til at fortolke forskellige træk ved komplekse genom, inklusive det fra den ullede mammut. “Evo-2 betyder et betydeligt fremskridt i forståelsen af DNA-regulatorisk grammatik, ” bemærkede Christina Theodoris, en beregningsbiolog ved Gladstone Institutes i San Francisco, Californien.