抢先体验Demo！基因组基础模型Evo登Science封面，实现从分子到基因组尺度的预测与生成

最近 AI 在生物学领域可谓是大放异彩。斯坦福大学联合美国 Arc 研究所 (Arc Institute) 的研究团队提出了一种基因组基础模型 Evo ，其能够在 DNA、RNA 和蛋白质的多模态任务中实现零样本预测和高精度生成。

相关研究以「Sequence modeling and design from molecular to genome scale with Evo」为题，以封面文章的形式发表在 Science 上。

论文地址：
https://www.science.org/doi/10.1126/science.ado9336

作为论文的第一作者，Eric Nguyen 连发多条动态介绍 Evo 这一成果 ，并多次感谢团队研究成员，更是直言「 能与这样一个了不起的团队合作，真是荣幸！」

据论文介绍， Evo 使用 StripedHyena 架构，在大型基因组数据集上进行训练，该数据集包含了 8 万多个细菌和古细菌基因组，以及数百万个预测的噬菌体和质粒序列，涵盖了 3 千亿个核苷酸 token，能够生成长度超过 1 兆碱基的具有合理基因组架构的 DNA 序列。

此外，Evo 参数规模达 70 亿，最大上下文长度可达 131,072 个 token，可以揭示编码序列和非编码序列之间错综复杂的共同进化，并设计出复杂的生物系统，如 CRISPR-Cas 复合物和 IS200 和 IS605 转座子。

总而言之，Evo 预测、生成和设计整个基因组序列的能力，不仅为生命科学提供新的理论支撑，还有望被应用于基因编辑、药物发现、疾病诊断、农业等领域，助力多领域的突破性成果研发。

不少网友对 Evo 的发布表示震撼，更是对该模型的具体应用充满了期待。

为了让大家第一时间体验 Evo 模型的强大功能，HyperAI超神经教程版块现已上线「Evo：从分子到基因组规模的预测和生成」，无需输入任何命令，一键克隆即可快速体验！

教程链接：
https://go.hyper.ai/JpdUS

Demo 运行

1. 登录 hyper.ai，在「教程」页面，选择「Evo：从分子到基因组规模的预测和生成」，点击「在线运行此教程」。

2. 页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

3. 点击右下角「下一步：选择算力」。

4. 页面跳转后，选择「NVIDIA RTX A6000，并根据自身需求选择「按量付费」或者「包日/周/月」，选择「PyTorch」镜像后，点击「下一步：审核」。新用户使用下方邀请链接注册，可获得 4 小时 RTX 4090 + 5 小时 CPU 的免费时长！

HyperAI超神经专属邀请链接（直接复制到浏览器打开）：

https://openbayes.com/console/signup?r=Ada0322_QZy7

5. 确认无误后，点击「继续执行」，等待分配资源，首次克隆需等待 2 分钟左右的时间。

6. 当状态变为「运行中」后，点击「打开工作空间」选项。

7. 进入 Jupyter 工作空间后，双击点开「README」文件，即可正式进入 Evo 模型运行页面。

效果演示

1. 进入 Evo 模型运行页面后，所有参数为默认模式。下滑鼠标到 「2.启动模型并输入相关参数」，即可按照自己的需求调整 prompt 参数值。需要注意的是，prompt 的默认值为 「ACGT」，这代表了一段由 DNA 碱基对 (A、C、G、T) 组成的初始序列。你可以根据需要修改这个值来生成不同的 DNA 序列。

2. 例如，将 prompt 默认值改为 AGCT，当调整完默认参数值后，点击「重启并运行所有单元格」选项，选择「Restart」进行运行。

3. 稍等片刻，当 [*] 号变为数字时，即表示运行完成。在「2.启动模型并输入相关参数」最底部，即可看到生成的序列。

4. 此外， Evo 模型还可以对生成的 DNA 序列进行分析，学习编码序列和非编码序列的共同进化联系。它还能从 DNA 序列中预测蛋白编码基因 (protein-coding genes)，对 RNA 系统进行编码设计，从而预测生成的蛋白质折叠结构，并最终以图像的形式呈现。

我们建立了「Stable Diffusion 教程交流群」，欢迎小伙伴们入群探讨各类技术问题、分享应用效果~

添加神经星星微信（微信号：Hyperai01），备注「SD 教程交流群」，即可加入群聊。