AI解码人类基因组调控的局限与突破口

人类基因组计划完成二十余年后，一个尴尬的事实依然摆在科学界面前：我们知道了几乎全部30亿个碱基对的序列，却仍然说不清其中98%的非编码区域如何调控基因表达。当AI大模型开始涌入这一领域，人们期待算法能像AlphaFold破解蛋白质结构一样，一举揭开基因调控的密码。现实却远为复杂——基因组调控的多层物理机制，恰恰是当前AI foundation model的盲区所在。

从"垃圾DNA"到调控暗物质：一段被改写的认知史

1953年Watson和Crick揭示双螺旋结构时，科学界想象基因组是一本整洁的生命指令手册。1990至2003年的Human Genome Project测序结果却给出了一个反直觉的答案：仅约**2%的序列编码蛋白质，其余约98%**曾被轻率地称为"junk DNA"。

后基因组时代，ChIP-seq、ATAC-seq等高通量技术揭示，这98%的非编码序列并非无用——它们构成了从启动子到增强子的庞大调控景观，决定基因在何时、何地、以何种强度表达。解读这片调控"暗物质"，对理解疾病相关变异、设计基因疗法、预测药物反应都至关重要。问题在于，其组合复杂度远超任何单一计算方法的能力边界。

人类基因调控：远比细菌精密的交响乐

转录因子：从简单开关到乐队成员

在细菌中，单个转录因子往往像一把钥匙配一把锁，以OR逻辑控制基因开关。人类转录因子的行为则更接近管弦乐队成员：

• 低特异性——识别短而简并的motif，众多转录因子可结合相似位点
• 组合结合——常以配对或更大复合物形式运作，整合多重信号
• 环境依赖——同一转录因子在一种细胞中是激活子，在另一种细胞中可能充当抑制子

哈佛医学院的Karen Adelman对此有精辟概括："我们的基因组不是坐在绘图板前设计出来的样子。"调控密码是涌现的，而非预设的。

增强子：分布式总机的数量困境

增强子是招募转录因子并向启动子传递"启动"信号的DNA片段，作用距离可达数百万个核苷酸。它们有三个让计算模型头疼的特性：数量从数十万到超过百万，远超约2万个蛋白编码基因；一个增强子可调控多个基因，一个基因也受数十个增强子控制；激活需要精确的转录因子组合，导致同一增强子在不同组织中表现截然不同。

爱丁堡大学的Wendy Bickmore直言领域内的窘境："令人尴尬的是，人类基因组计划完成25年后，我们仍不知道基因组中所有增强子的位置，更不用说它们发挥作用时做什么、控制哪些基因了。"

增强子通常不编码蛋白，而是由数百碱基对的DNA序列构成，内含多个转录因子结合motif的簇。它们通过"增强子RNA"（eRNA）的转录活动常被作为活性标志，也可通过染色质开放性和组蛋白修饰（如H3K27ac、H3K4me1）进行全基因组注释。ENCODE和Roadmap Epigenomics等计划已系统绘制了数百种细胞类型的候选增强子图谱，但仅凭表观遗传特征只能标记"候选"，无法确定其真实靶基因或功能必要性，这正是数量困境的另一面。

染色质环与黏连蛋白挤出：三维物理才是核心

远端增强子通过染色质环接触目标启动子。马达蛋白黏连蛋白沿DNA挤出形成动态环，构建转录"枢纽"。这些枢纽并非刚性支架，而是液态凝聚体——调控蛋白在此浓缩，使细胞能快速响应环境信号。超分辨显微镜研究已观察到这些焦点在数分钟内组装和消散。

Hi-C及衍生技术通过甲醛交联、限制酶切与邻近连接，将空间上相互接触的DNA片段转化为全基因组接触频率图谱，分辨率可达千碱基级别。环挤出模型认为，黏连蛋白环以约每秒0.5-1 kb的速度沿DNA挤出，直到遇到方向正确的CTCF结合位点而停滞，从而形成拓扑关联结构域（TAD）内的稳定环。TAD边界通常富集CTCF和活跃转录标记，边界破坏可导致增强子-癌基因的异常接触，是多种白血病和实体瘤的致病机制之一。

AI基因组基础模型的现状：相关性挖掘的强者，机制解释的弱者

基础模型的崛起

近年来，Evo 2、Genos以及Google DeepMind的Alpha Genome等大规模基因组基础模型相继问世，基于数PB的序列、表观基因组标记和表型关联数据训练。它们能预测单核苷酸变异对疾病风险的影响、从原始DNA推断组织特异性表达模式、基于序列motif推荐候选调控元件。在相关性挖掘层面，这些模型确实做到了人类无法企及的规模。

基因组基础模型通常采用Transformer架构，将DNA序列切分为k-mer token，通过掩码语言建模或下一token预测在数万亿碱基上预训练。Evo系列模型更进一步，在训练中引入长上下文窗口以捕获跨数十万碱基的远距离依赖，并支持零样本变异效应预测。然而，这类模型的学习目标本质上是序列补全的统计最优，而非物理或因果机制的显式编码；模型容量越大，越容易在训练分布内完美拟合却在分布外失效，这也是"黑箱三重局限"的架构根源。

黑箱的三重局限

然而相关性不等于因果性。当前模型存在三个结构性问题：

• 缺乏机制洞察——无法解释变异为何改变转录因子结合或染色质环化
• 决策路径不透明——基于梯度的归因方法给出的重要性分数噪声大，有时甚至误导
• 过拟合风险——在偏倚数据集（如过度代表某些组织的细胞系）上训练，迁移到原代人类样本时可能产生虚假预测

实践中，研究者可能得到一个高置信度的预测——某个非编码变异破坏增强子——却拿不出任何机制假说来设计后续实验。在机制验证属于监管硬性要求的临床基因组学场景中，这直接限制了转化价值。

这一困境与AI在安全领域的部署教训相互印证。Zoom曾因AI提示注入漏洞暴露黑箱模型可被操纵而紧急修补（据技术博客LTDeveloper的分析），macOS平台上的AI增强杀毒方案Intego同样面临快速威胁检测与可解释性之间的张力。基因组AI面临的是同一类问题：能力越强，解释越难。

为什么这关乎 scientific、临床与产业三重命运

疾病基因发现的加速器或绊脚石

准确的调控注释能将"意义不明的变异"转化为可临床操作的发现。调控变异误判直接阻碍罕见病诊断——大量致病突变位于编码区之外——也影响药物基因组学，因为基因表达变异性直接关系药物代谢与疗效。

治疗开发的导航仪

CRISPR疗法依赖对增强子-基因连接的精确知识来规避脱靶效应。仅预测相关性的AI模型可能推荐破坏关键染色质环的编辑方案，带来不可预见的毒性。

生物技术市场的资本配置

生物技术公司正大举投资AI辅助药物靶点识别。过度依赖不透明模型可能导致研发资金错配，让缺乏机制验证的靶点充斥管线。透明、机制化的AI能改善风险调整后投资回报——这是基因组学风投的核心指标。FDA、EMA等监管机构日益要求AI驱动诊断提供机制论证，无解释性的黑箱预测可能遭遇监管路障，延缓上市与患者可及性。

通往机制化、可解释基因组AI的路径

物理感知神经网络

研究者正将染色质聚合物物理模拟嵌入深度学习管线。通过惩罚违反已知约束（如黏连蛋白持续合成能力决定的最大环尺寸）的预测，混合模型能产出符合底层力学规律的增强子-基因图谱。

因果扰动数据作为监督信号

大规模CRISPRi/a筛选已能对数十种细胞类型中数千个推定调控元件进行系统扰动。用这些扰动数据训练模型，是区分相关与因果的关键路径。

CRISPRi（CRISPR干扰）通过失活Cas9（dCas9）融合KRAB抑制结构域，在不切割DNA的前提下可逆地沉默目标调控元件；CRISPRa则融合激活结构域实现上调。Perturb-seq将池化扰动与单细胞RNA测序结合，可同时读出数千个扰动对转录组的影响，从而构建"扰动-表达"因果图谱。这类数据的独特价值在于：它直接测量干预后的表型变化，为模型提供了区分"相关"与"必要"的监督信号，弥补了纯观察性数据的根本缺陷。

多模态数据整合与社区基准

将单细胞ATAC-seq、Hi-C、CUT&RUN与空间转录组学结合，能为AI模型提供更丰富的上下文。类似蛋白质折叠领域CASP竞赛的开放基准，可标准化调控预测模型的评估，透明的排行榜将激励模型在准确性之外追求可解释性。

结语：扁平字符串模型的结构性盲区

当前基因组基础模型将基因组视为扁平字符串，从海量比对与表观基因组数据中提取统计模式。它们能标记出"看起来像"增强子的区域，却不显式建模三个关键过程：黏连蛋白与CTCF驱动环挤出的随机动态、相分离凝聚体形成的生物物理原理、以及细胞类型特异的转录因子协作语法。这些过程由物理和化学而非纯序列统计支配——只学相关性的模型，注定错过关键的因果链条。

本文基于LTDeveloper博客的原始分析《Why AI Isn't Ready to Tackle Our Convoluted Genomes》编译整理。