美国加州大学伯克利分校的研究人员开发了基因组语言模型GPN-Star，能够解读人类全基因组约30亿个碱基对的“语法”，在识别人类遗传变异方面实现了更快更准的预测。相关研究成果于2026年9月9日发表在《自然》期刊上。

人类全基因组中仅1%—2%的碱基对负责编码蛋白质，其余约98%的非编码区域中，有一部分包含调控基因表达的序列，与癌症、心脏病、自闭症等疾病性状密切相关。面对海量变异位点，逐一实验验证并不现实。GPN-Star将DNA的四种碱基A、C、G、T作为“字母”，通过模式识别学习基因组的“语法”规则，从而预测变异的致病性并标注功能性与非功能性元素。

该模型的核心创新在于训练数据的构建方式。此前的基因组语言模型多直接使用未比对的单基因组或跨物种序列训练，计算负担大。GPN-Star则改用多物种全基因组比对数据，将人类、小鼠、鸡、果蝇、秀丽隐杆线虫和拟南芥的序列分别与参照基因组对齐，突出进化中保守与变化的区域，让模型直接从进化信号中学习功能信息。这种方式使训练仅需数台处理器，耗时从数月压缩至几天甚至数小时。

研究还发现，不同进化尺度的比对各有优势：长尺度比对更擅长预测蛋白质中罕见变异的影响，短尺度比对更擅长预测精神分裂症等复杂性状相关的非编码突变。此外，该框架在小鼠、鸡、果蝇等物种上的验证表明其具有良好的跨物种迁移能力。

目前，研究团队已同步发布基于该模型的全基因组预测注释，帮助生物学家从海量变异中筛选出最值得优先实验验证的致病变异与调控元件。

信息来源：

https://www.nature.com/articles/s41586-026-11005-5

https://tech.gmw.cn/2026-09/11/content_38995466.htm