BOTANIC-1：智能体时代的一系列长上下文植物基因组基础模型|北京沫之东生物技术有限公司

28 次围观

开发气候韧性作物的进程将因能够直接对植物基因组序列进行推理，并精准定位与性状相关的区域或基因座的模型而大幅加快。预测DNA碱基变化（变异）的影响仍然充满挑战，而理解其调控机制也仍是一个活跃的研究领域。通过在未注释基因组数据上进行自监督训练，基因组语言模型（genomic language models，gLMs）能够学习超越现有注释的DNA句法与语法，从而补充依赖数十年基因组学研究所确立规则的标准生物信息学分析。在此，我们介绍由智能体驱动的模型工厂（Model Factory）及其首批成果：面向植物研究设计的Botanic1系列gLM。这些模型能够可靠地处理长度从数百个碱基对到128 kbp不等的序列。在迄今报道规模最大的植物基因组学评估任务集合之一中，这些模型的表现超过了所有通用型和植物特异性gLM（以及专用基线模型），同时所需预算远低于同期模型。机制可解释性分析识别出了与具有生物学意义的序列特征相关的特征，包括编码区边界和剪接位点基序，表明这些模型除了在基准测试中取得优异表现外，还能提供生物学洞见。最后，由于gLM只有嵌入更广泛的工作流程后才能真正发挥实用价值，我们将Botanic1集成为一个可由通用大语言模型（large language model，LLM）智能体调用的专用基因组层，展示了此类混合系统如何加速植物生物学研究。为支持植物基因组学研究群体，我们将在https://huggingface.co/collections/living-models/botanic1-6a97f4e3c33f3…、Botanic1-M和Botanic1-L，供科研使用。

在此网站搜索该作者

摘要

信息/历史

指标

预览 PDF

摘要

气候适应型作物的开发，将因能够直接对植物基因组序列进行推理，并精确定位与性状相关的区域或基因座的模型而大幅加速。预测 DNA 碱基变化（变异）的影响仍然具有挑战性，而理解其调控机制仍是一个活跃的研究领域。通过在未经注释的基因组数据上进行自监督训练，基因组语言模型（genomic language models，gLMs）能够学习超越现有注释的 DNA 句法与语法，从而补充依赖数十年基因组学研究所确立规则的标准生物信息学分析。在此，我们介绍由智能体驱动的 Model Factory 及其首批成果：面向植物研究设计的 Botanic1 系列 gLM。这些模型能够可靠地处理长度从数百个碱基对到 128 kbp 的序列。在迄今报道规模最大的植物基因组学评估任务集合之一中，这些模型的表现超过了所有通用型和植物专用型 gLM（以及专门化基线模型），同时所需预算远低于同期模型。机制可解释性分析识别出了与具有生物学意义的序列特性相关的特征，包括编码区边界和剪接位点基序，表明这些模型除了在基准测试中取得优异性能外，还能够提供生物学洞见。最后，鉴于只有将 gLM 嵌入更广泛的工作流程后，它才具有实际应用价值，我们将 Botanic1 集成为一种可由通用大型语言模型（LLM）智能体调用的专用基因组学层，以展示此类混合系统如何加速植物生物学研究。为支持植物基因组学研究群体，我们将开放 Botanic1-S、Botanic1-M 和 Botanic1-L 供研究使用，地址为：https://huggingface.co/collections/living-models/botanic1-6a97f4e3c33f3…

利益冲突声明

作者声明存在财务利益冲突。在项目期间，所有作者均受雇于 Living Models，或曾受雇于 Living Models。

版权

持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。

本预印本根据 CC-BY 4.0 国际许可协议提供。

返回顶部

发布于 2026 年 9 月 7 日。

下载 PDF

电子邮件

感谢您有意传播 bioRxiv 上的内容。

您的电子邮件地址

*

您的姓名

*

发送至

*

请在不同地址之间换行，或使用逗号分隔多个地址。

您即将发送以下内容