GENATATORs：基于 DNA 语言模型的从头基因注释

从基因组序列推断基因结构和位置——即从头基因注释（de novo gene annotation）——是生物学研究中的一项基础任务。然而，编码基因结构的序列语法十分复杂且尚未被充分理解，因而往往需要代价高昂的转录组数据才能实现准确的基因注释。在这项工作中，我们对现有解决方案进行了基准评测，并开发了新的基因注释方法。我们表明，预训练的 DNA 语言模型（DNA LM）嵌入并不能捕捉精确基因分割所必需的特征，而针对任务的微调仍然至关重要。我们全面评估了模型架构、训练策略、感受野大小、数据集组成以及数据增强对基因分割性能的影响。我们重新审视了标准评估协议，指出常用的按 token 和按序列指标无法反映真实世界基因注释所面临的挑战。我们提出并从理论上论证了新的、以生物学为基础的指标，以及更能刻画注释质量的基准数据集。我们表明，经过微调的 DNA 语言模型优于现有注释工具，能够在与训练过程中所见物种相隔数亿年的物种之间实现泛化，并对此前难以处理的非编码转录本以及蛋白编码基因的非翻译区提供分割。因此，我们的结果为以高精度基因注释为核心的新生物学应用奠定了基础。

本网站正在使用安全服务来保护自身免受在线攻击。您刚才执行的操作触发了安全防护机制。可能导致此拦截的操作有多种，包括提交某个特定词语或短语、SQL 命令或格式错误的数据。

您可以通过电子邮件联系网站所有者，告知他们您已被拦截。请附上页面出现时您正在进行的操作，以及本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.17.732686v1?rss=1

🏷️ 从头基因注释 DNA语言模型 基因分割 基因组注释 模型微调 跨物种泛化