Nature | GPN-Star: 解码全基因组功能约束

理解遗传变异是否具有功能以及是否可能导致疾病，是现代基因组学面临的核心问题。近年来，基因组语言模型尝试通过大规模DNA序列自监督学习捕获进化约束，但传统语言模型往往需要庞大的参数规模和计算资源，在部分任务上仍不及经典系统发育方法。研究人员提出GPN-Star，一种显式融合物种树和全基因组多序列比对信息的基因组预训练网络。该模型利用系统发育感知架构直接建模不同物种之间的进化关系，并分别在脊椎动物、哺乳动物和灵长类三个进化时间尺度上训练。结果显示，GPN-Star在人体编码区和非编码区变异效应预测中均达到领先水平，能够更有效识别致病变异和GWAS精细定位的潜在因果变异，并显著提高复杂性状遗传力富集和罕见变异关联分析能力。进一步扩展至小鼠、鸡、果蝇、秀丽隐杆线虫和拟南芥后，该方法仍表现出良好的泛化能力，为利用不断增长的比较基因组数据解释遗传变异提供了新的通用框架。

人类基因组中存在数量巨大的遗传变异，但真正影响基因功能、表型和疾病风险的变异只占其中一部分。进化本身提供了一场持续数百万年的天然功能实验：严重破坏生物功能的突变通常受到纯化选择而难以在种群中积累，因此跨物种序列保守性可以反映基因组不同位置承受的功能约束。

基因组语言模型进一步提出，可以像语言模型学习词语规律一样，通过预测DNA序列中被遮蔽的核苷酸来学习这种进化规律。然而，仅从单条序列隐式学习漫长的进化历史效率并不高，即使模型规模不断扩大，在复杂真核基因组尤其是远端调控元件中，预测效果仍存在明显局限。相比之下，全基因组多序列比对直接记录不同物种同源区域的进化变化，而物种树进一步描述这些物种之间的亲缘关系。因此，研究人员尝试将“基因组语言模型+全基因组比对+系统发育树”统一起来，让模型直接利用已经存在的进化结构，而不是要求神经网络重新从海量单序列数据中隐式发现它。

研究人员构建了基于编码器的GPN-Star，并采用遮蔽语言建模进行训练。模型输入为一个多物种全基因组比对窗口及其对应物种树，将序列划分为目标序列和来源序列。模型首先通过物种内自注意力学习单条序列的上下文，再利用系统发育感知的交叉注意力整合其他物种信息。亲缘关系接近的物种依据进化距离聚合成支系表示，而不同来源序列的贡献根据物种树中的进化距离进行动态加权。最终模型预测目标位置不同核苷酸出现的概率，并据此评估遗传变异的功能约束。考虑到天然序列同时受到突变率和自然选择影响，研究人员还利用高可信中性位点估计背景突变效应，对模型分数进行校准，以尽可能分离真正的选择约束信号。针对人类分别训练脊椎动物、哺乳动物和灵长类三个版本，主要模型约包含2亿参数，仅需8张A100 GPU训练数天，计算规模明显低于超大型单序列基因组语言模型。

图1｜GPN-Star模型及不同进化时间尺度的全基因组功能约束学习。 

在人类编码区，研究人员首先评估错义变异预测。脊椎动物版本GPN-Star在ClinVar致病与良性变异分类中获得最高预测表现，并在癌症体细胞错义变异数据中明显优于其他比较模型。在31个人类蛋白深度突变扫描数据集上，它也超过所有参与比较的全基因组模型。

更值得关注的是非编码区域。长期以来，增强子、启动子等调控区域的变异效应远比编码变异难以预测。在两个疾病相关非编码变异数据集上，哺乳动物版本GPN-Star均获得最佳结果，尤其在远端增强子区域优势明显。在启动子变异分析中，它同样超过多个专门针对启动子训练的模型。

在UK Biobank的GWAS精细定位数据中，GPN-Star对潜在因果错义变异和非编码变异均取得最高预测性能，表明进化约束不仅能够识别严重致病突变，也能够帮助解析复杂性状背后的遗传变异。

研究人员进一步将三个GPN-Star模型的预测分数加入罕见变异关联分析。对161,822名个体和34个定量性状进行分析后，显著关联基因平均从383个增加到402个，其中能够在更大规模研究中重复验证的基因—表型关联从338个增加至353个。这表明GPN-Star提供了现有变异注释尚未充分捕获的补充信息。

图2｜GPN-Star在人类全基因组变异效应预测中的表现。 

复杂性状分析揭示了一个重要规律：更深的进化时间尺度并非始终更好。灵长类版本GPN-Star在复杂性状遗传力富集方面表现尤其突出，而哺乳动物模型则相对更适合部分多基因程度较低的性状。灵长类模型优先识别的变异中，约33%为错义变异，约26%位于远端增强子。

这说明不同类型的功能约束形成于不同进化时期。高度保守的编码功能更容易从较深的进化历史中识别，而快速演化、尤其具有灵长类特异性的调控功能，则可能需要更近期的比较数据。

图3｜GPN-Star揭示复杂性状遗传力与进化时间尺度之间的关系。 

为了直接检验模型是否捕获自然选择，研究人员分析了76,156个人类基因组的群体变异。理论上，功能破坏越严重的变异越容易受到纯化选择，因此在人群中的频率通常越低。结果显示，在脊椎动物、哺乳动物和灵长类三个尺度上，被GPN-Star判断为高度受约束的变异具有更低的平均等位基因频率。

在最有害的预测区域中，GPN-Star对罕见变异的富集程度也明显高于传统进化约束方法和其他预测模型，并且这一优势覆盖错义、剪接、非编码等多种变异类型，说明模型学习到的分数确实反映了全基因组尺度的选择约束。

图4｜GPN-Star预测分数反映人类基因组真实的进化约束。

GPN-Star并不局限于人类。研究人员进一步针对小鼠、鸡、果蝇、秀丽隐杆线虫和拟南芥构建模型，每个物种仅需要相应的多物种全基因组比对和系统发育树。在五种模式生物中，GPN-Star预测的高约束区域均表现出明显更强的罕见变异富集，总体超过传统系统发育方法。对于具有已知致病或致死变异数据的小鼠、果蝇和秀丽隐杆线虫，GPN-Star同样取得更好的分类表现。

此外，模型还能学习核苷酸之间的依赖关系。例如在果蝇经典增强子区域中，它识别出不同转录因子结合位点之间具有生物学意义的协同关系，说明GPN-Star不仅提供一个“变异有害程度分数”，还能够帮助探索调控元件之间的共进化结构。

图5｜GPN-Star向五种非人类模式生物的泛化。

GPN-Star的重要贡献在于重新强调了“显式进化信息”对于基因组人工智能的价值。与不断扩大单序列语言模型不同，它直接向模型提供全基因组比对和物种树，使神经网络能够利用已经明确存在的同源和系统发育信息。因此，在仅约2亿参数的规模下，GPN-Star仍能够在多种功能约束预测任务中取得领先表现，说明基因组模型的能力并不完全取决于参数规模，生物学合理的输入表示和模型架构同样关键。

研究同时表明，“进化时间尺度”本身就是模型设计变量。较深的进化历史更适合捕获编码区等高度保守功能，而较近的物种比较更容易发现快速演化的调控约束。因此未来基因组语言模型可能不应追求单一、无限扩大的进化跨度，而应根据疾病、性状和功能区域选择或组合不同时间尺度。

GPN-Star仍存在限制。模型推理依赖预先构建的全基因组比对，因此处理插入缺失和结构变异的灵活性低于单序列模型，而且当前组织特异性信息仍较有限。未来若能将系统发育信息、群体基因组、功能基因组以及组织和细胞类型信息进一步整合，有望形成兼具进化约束、分子功能和组织特异性的多模态基因组模型。总体而言，这项研究显示，与其单纯扩大模型规模，让人工智能直接“读懂”数百万年的进化记录，可能是一条更加高效且具有生物学解释力的全基因组变异预测路线。

Ye, C., Benegas, G., Albors, C. et al. Predicting genome-wide functional constraints with GPN-Star. Nature (2026). 

https://doi.org/10.1038/s41586-026-11005-5