Evo 2 通过基因组上下文学习实现高效生物设计
Efficient biological design via genomic in-context learning
基因组语言模型 Evo 2 在无需额外训练的情况下,用提示中的四个示例即可生成金属结合蛋白、从头设计抗体、蛋白-RNA 系统和完整噬菌体基因组。在 ΦX174 类噬菌体设计中,其设计质量和多样性在计算指标上超过此前微调模型,基因组思维链通过迭代更新提示还能提升设计多样性。
Evo 2 无需额外训练,用少量提示示例完成多类生物序列设计,并展示了加速 35 倍的推理引擎与百万碱基上下文能力。
预印本 · biorxiv · 10.64898/2026.10.28.762643
本站摘要基于收录版本 v1(2026-10-29),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
上下文学习(ICL)是指仅凭提示中提供的少量示例即可执行新任务的能力,它是大语言模型一种标志性的涌现能力。在此,我们证明 ICL 在基因组语言模型 Evo 2 中同样涌现,并能用于生物设计。仅需在提示中提供少至四个示例、无需任何额外训练,Evo 2 即可生成逼真的金属结合蛋白、从头设计的抗体、蛋白-RNA 系统以及完整的噬菌体基因组。在 {Phi}X174 类噬菌体设计中,ICL 在设计质量与多样性的计算指标上超越了此前经过微调的模型。除 {Phi}X174 之外,通过使用不同的噬菌体提示对模型进行条件化,我们得以在无需微调的情况下,以计算方式高效设计 MS2 和 M13 基因组。用新生成的噬菌体基因组迭代更新提示——我们称之为基因组思维链——可进一步提升设计的多样性,同时保持质量指标。结合一个可将生成速度提升至多 35 倍、并将可用上下文扩展至兆碱基级别的推理引擎,这些结果确立了 ICL 作为生物序列设计通用且高效范式的地位。
来源:bioRxiv · biorxiv.org