Genome Foundation Models · Strategy Analysis
基因组大模型四策略对比
杜然（植物目级覆盖）· Evo2 · AlphaGenome · GENOS
2026-08 · 基于杜然报告转述（自述效果好，未经独立验证）、Evo2（Arc Institute, Nature 2026）、AlphaGenome（Google DeepMind）、GENOS（华大，ATLAS 跨模型基准）公开信息，从「数据策略—信号可学性—任务适配」三个框架分析各策略的差别与可能的效果差异。
策略对比基因组大模型Evo2AlphaGenomeGENOS植物育种
核心判断：四种策略不是竞争关系，而是「广度 × 深度 × 配对组学」三角上的四个极点——Evo2 是最大广度、AlphaGenome 是单物种深度、GENOS 是人群配对多组学深度，而杜然的「植物目级覆盖」是第四条路：结构化广度（用最少物种数覆盖最大系统发育多样性），在跨物种注释任务上天然占优，但缺少种质级分辨率与因果解释能力。
1四种策略全景对比
| 维度 | 杜然（植物目级） | Evo2（Arc） | AlphaGenome（DeepMind） | GENOS（华大） |
|---|
| 数据策略 | 系统发育结构化采样：植物全部目各选代表物种 | 最大广度：9.3T 核苷酸、12.8 万基因组 + 宏基因组，全生命域 | 单物种深度：人类基因组 + ENCODE 功能数据 | 大人群 + 配对多组学：CKB 50 万人、CIMA 等 |
| 架构 / 规模 | 对标 100M–1B 级 | 40B 参数，1Mb 上下文 | 卷积 + Transformer，Enformer 进化 | MoE 架构，1Mb 上下文 |
| 核心任务 | 跨物种功能注释、顺式调控预测 | 通用序列建模与设计 | 人类调控变异效应（24 track + 24 变异任务） | 致病突变识别 + 理性解释 + 下游效应预测 |
| 核心验证 | 自述效果好（未经独立验证） | 跨域设计能力强 | 人类调控任务 SOTA | RNA-seq Pearson 0.933 · ClinVar AUC 0.93 · ATLAS 第一 |
关键实证：ATLAS 跨模型基准显示，人类疾病定位任务上 Genos-v2 AUPRC = 0.265，而 Evo2-40B 仅 0.093 —— 通用底座在具体任务上表现平庸，「物种特异性预训练 + 模型容量协同」才是关键。这为理解杜然策略的效果提供了同构证据。
2框架一：广度 × 深度 × 配对组学——信号可学性的三角
🧬 纯广度（Evo2）
128k 基因组揉在一起，跨域保守序列反复出现被充分学习，但类群特异信号被稀释。通用强、具体任务弱。
🎯 纯深度（AlphaGenome）
单物种 + 海量监督数据，人类调控预测最强，但无法迁移到植物——这是它的明确边界。
🌳 结构化广度（杜然）
「每个进化单元都采样」，类似 LLM 的语系均衡采样：用最少物种数覆盖最大多样性，保留跨目保守的调控逻辑（RY 元件、ABRE 等顺式元件跨目高度保守），又避免稀释。
👥 配对组学深度（GENOS）
大人群配对多组学，学到个体级、等位基因级分辨率，能做因果推理——目级代表策略天然欠缺的粒度。
关键推论（预期，非实证）：植物基因组数据总量远小于微生物（TB 级 vs 9T+），40B 参数在植物域可能过参数化；目级结构化采样配合适中参数量（100M–1B 级），理论上可能是植物域的「性价比更优解」。该预期基于数据/参数比的经验规律，杜然报告自述效果好与此一致，但仍需独立评测验证。
3框架二：进化距离 vs 应用分辨率——「语系共性」≠「方言」
目级覆盖（≈ 覆盖所有「语系」）擅长学共性规律：基因结构、顺式元件语法、跨物种注释迁移。但育种要的是「方言」——品种级/种质级的变异效应（驯化位点、单倍型、拷贝数多态）。
粒度缺口：一个目一个代表物种，目内的驯化分化学不到——水稻的驯化选择位点不会出现在「禾本目代表」的共性里。GENOS 的 CKB 50 万人配对数据学到的是个体级分辨率，这正是「目级代表」策略的天然边界。
4框架三：任务决定数据，数据决定天花板
| 下游任务 | 杜然（目级） | Evo2 | AlphaGenome | GENOS |
|---|
| 跨物种基因注释（新基因组） | 最强 | 中 | 无 | 弱（人类专用） |
| 调控元件 / 变异效应 | 强（顺式保守） | 中 | 人类最强 | 人类强 |
| 育种 / 种质改良 | 中（缺种质粒度） | 弱 | 无 | 可迁移（配作物人群数据） |
| 疾病 / 表型因果解释 | 弱 | 弱 | 人类中 | 最强（中心法则推理） |
5「效果差别」的可能归因
① 结构化采样防稀释
按目均衡 → 拟南芥/水稻等模式物种不会垄断训练集，模型学到更「植物通用」的表征。
② 进化保守性 = 天然监督信号
跨目比对隐含纯化选择信号，自监督自动学到「哪些序列位置重要」——随机采样或单物种训练给不了。
③ 规模匹配
植物域数据量决定 1B 级模型可能优于 40B（数据/参数比更健康）。
⚠️ 评测基准之问
「自述效果好」的评测基准是什么？若为跨物种注释/功能预测 → 目级策略在理论上占优（尚待独立验证）；若评测具体作物育种决策 → 大概率不如「种质级 + 配对组学」。
6战略启示：四策略是「分层底座」，不是竞争
Evo2 — 全生命域通用底座通用
└── 层 2
杜然式 — 植物域底座（目级覆盖）广度
└── 层 3
AlphaGenome 式 — 单物种深度深度
GENOS — 人类人群 + 配对多组学底座（华大独有，另一条轴）配对组学
华大的差异化机会：把 GENOS 的「大人群 + 配对多组学 + 因果推理」哲学平移到植物——用 T20 通量 + 种质资源做「作物种质 × 转录组/时空组 × 表型」配对数据，训练「植物版 GENOS」：
· 杜然有目级广度，但没有配对多组学深度和因果解释；
· 华大有 Stereo-seq 时空组这个别人没有的数据武器；
· 组合拳 = 目级覆盖（广度底座）+ 重点作物种质配对组学（深度底座），即植物领域既广又深、还能解释的第一模型。