A tudósok létrehoztak egy új gépi tanulási modellt, amely Evo névre hallgat, és amelyet genetikai utasítások értelmezésére és tervezésére terveztek. Az Evo képes előre jelezni a genetikai mutációk hatásait és új DNS-szekvenciákat generálni, bár ezek nem hasonlítanak szorosan az élő organizmusok DNS-ére. További fejlesztésekkel az Evo és hasonló modellek segíthetnek a DNS és RNS funkcióinak dekódolásában és betegségek leküzdésében, ahogyan azt egy, a Science-ben november 15-én megjelent tanulmány is kiemeli. Az Evo egy nagy nyelvi modell (LLM), hasonló az OpenAI GPT-4-eséhez vagy a Google Gemini-jéhez, kiterjedt adatforrásokon képzett. Az Evo azonban a közönséges LLM-ekkel ellentétben nem szavakra, hanem több millió mikroba genomjára épül, beleértve az archeákat, baktériumokat és azok vírusait, minden egyes DNS-bázispárt "szóként" kezelve. Az Evo ezeket a szekvenciákat a tanulási készletéhez hasonlítva próbálja megjósolni a DNS-funkciókat vagy új genetikai anyagokat létrehozni. Míg a korábbi modellek gépi tanulást alkalmaztak a genetikai adatokat elemezve, funkcióik korlátozottak vagy költségesek voltak. Az Evo azonban egy gyors, nagy felbontású modellt alkalmaz hosszú szekvenciák kezelésére, és képes genomiális méretű mintázatok elemzésére, valamint olyan nagyszabású kölcsönhatások érzékelésére, amelyeket a speciális modellek esetleg figyelmen kívül hagynának. A szerzők különböző feladatokkal tesztelték az Evo-t.

Pontosan előre jelezte a genetikai mutációk hatását a fehérjeszerkezetekre, és létrehozott egy komponens készletet, amely laboratóriumi tesztek során védelmet nyújtott a vírusfertőzésekkel szemben. Az Evo olyan nagy DNS-szekvenciákat is létrehozott, amelyek azonban önmagukban nem lennének életképesek. Az utasítások hasonlítottak a meglévő DNS-re, de hiányzott belőlük a természetes genomok részletes pontossága, hasonlóan az anomáliákkal rendelkező mesterséges intelligencia képekhez, mint például extra ujjak. Ezek ellenére az Evo jelenleg csak mikrobiális genomokra korlátozódik, és nem képes még megjósolni az emberi DNS-mutatációk hatásait. A kutatók hangsúlyozták a biztonság és az etika fontosságát, hogy megelőzzék a visszaéléseket, ahogy ezek a modellek javulnak, szándékosan kihagyva az eukarióta gazdaszervezetek vírusgenom adatait a képzés során. Felhívták a figyelmet a tudósok, biztonsági szakértők és döntéshozók közötti együttműködés szükségességére a visszaélések elkerülése és a kockázatok mérséklésére irányuló stratégiák kidolgozása érdekében.