人类基因组 2 万个编码基因,每个得在正确的时间、细胞、强度被打开,否则发育异常、代谢紊乱甚至癌症。这个「打开」机制研究了 50 年没读透。UCSD Kadonaga 实验室(Torrey Rhyne-Carrigg 一作,Genes & Development,DOI 10.1101/gad.353623.125)的解法很直:让 AI 一次性测 50 万条序列。
补漏: 1. 方法干净:高通量 DNA 测序测 50 万种起始子(initiator)变体的表达活性,结果喂给机器学习,让模型自己找「哪些序列模式对应强起始子」。第四步把学到的模式扔进人类基因组扫描——约 60% 的人类基因都携带起始子,远超此前预期。 2. 这不是简单 motif 搜索。传统启动子研究靠手工 motif 发现,30 年触顶,因为启动子语法远比「固定 6-8 碱基 motif」复杂。AI 把问题倒过来:从大规模数据里自己学模式,同时看到「哪些序列好用」和「哪些没用」两类信号。 3. 两个输出层面:一是分类(这段有没有起始子),二是归因(哪些碱基对激活起决定作用)。后者产物是分子生物学家能读懂的 motif 列表——AI 学的模式变成可被湿实验验证的假设。这是方法论的关键转弯:AI 不再只是预测器,而是假设生成器,反向给实验提供新目标。 4. 直接应用两个:预测致病突变(调控区微小碱基变化可能破坏起始子,引发疾病,以前要逐个湿实验,现在模型先筛)+ 设计合成启动子(基因治疗、CAR-T、合成生物学的精准开关)。 5. 用了圣地亚哥超算中心 Expanse CPU 跑。Kadonaga 的更大愿景:每个细胞 60 亿碱基里藏着一套「基因表达密码」,这次 initiator 模型是其中小而关键的一块,乐观认为会扩展到完整 AI 模型。
下一根最该盯的钉子:这条「50 万序列+机器学习」范式可扩展到所有 DNA/RNA 调控元件——启动子、增强子、沉默子、绝缘子、可变剪接调控序列,每一个都是下一个「UCSD 论文」候选。对合成生物学是拐点:从「手工艺」位移到「流水线制造」,未来 12 个月会出现一批带强度、组织特异性精确预测的「合成启动子库」。