GENATATOR：用 AI 从 DNA 序列直接识别基因，跨物种泛化能力亮眼
基于已整理草稿生成的网页版文章，适合先稳定落地，再做局部润色与发布检查。
7月3日，俄罗斯人工智能研究所 AIRI 发布了 GENATATOR——一个开源 AI 基因注释工具，能从 DNA 序列中自动识别基因边界、判断转录本类型、重建基因内部结构。它最引人注目的特点是不依赖传统的起始/终止密码子等标记，而是通过学习 DNA 序列的整体模式来完成注释，这让它在非模式生物上也能表现良好。
基因注释为什么难
基因组测序越来越便宜，但测完之后要知道"哪些片段是基因、基因从哪开始到哪结束"，仍然是个大工程。传统方法主要靠搜索特定标记——起始密码子、终止密码子、剪接信号等。问题在于，这些标记在不同物种中差异很大，很多非模式生物的基因组几乎没有详细注释，传统方法经常失灵。
GENATATOR 换了个思路：不找标记，而是让模型学习 DNA 序列的整体模式。就像一个有经验的语言学家不需要逐字查字典，而是通过上下文就能判断一段文字的语法结构。
多阶段流水线
GENATATOR 不是单一模型，而是一组模型组成的流水线：
- 定位阶段：先找到可能的转录本起始和终止位置
- 审查阶段：检查起始和终止之间的区域
- 精修阶段：细化基因内部结构
- 过滤阶段：剔除不可靠的预测
这种分步设计让每一步都专注于一个子任务，降低了单模型的负担，也更容易调试和改进。
从哺乳动物到果蝇：泛化能力是亮点
GENATATOR 的训练数据覆盖了人类和 38 种哺乳动物——包括海象和大象这样不太常见的物种。但真正让人眼前一亮的是它在非哺乳动物上的表现：果蝇、拟南芥（一种模式植物）、酵母，这些与哺乳动物进化距离很远的物种，GENATATOR 同样给出了高质量的注释结果。
这意味着什么？如果你在研究一个几乎没有现成注释的物种——比如某种深海生物或极端环境微生物——GENATATOR 可能是目前少数能直接上手的工具之一。
能注释什么
目前 GENATATOR 覆盖两大类基因：
- 蛋白编码基因：最经典的基因类型，直接翻译成蛋白质
- 长非编码 RNA 基因：不翻译成蛋白质，但在调控基因表达中起关键作用
长非编码 RNA 的注释一直是基因组学的难点，因为它们没有经典的编码特征，传统方法几乎无能为力。GENATATOR 能同时处理这两类，实用性明显更强。
开源与可用性
GENATATOR 的模型已在 Hugging Face 上开放下载，同时提供了 Web 服务和开放排行榜供社区评估。对于想本地部署的研究者，目前有一个限制：只支持 CUDA GPU，输出格式为 float32，CPU 推理和低精度模式暂不可用。
对谁有用
- 非模式生物研究者：研究缺乏注释的物种时，GENATATOR 提供了一个零成本起点
- 进化生物学研究者：跨物种泛化能力使其适合比较基因组学研究
- 药物研发团队：新病原体的基因注释是靶点发现的第一步
- 合成生物学：设计新基因时需要理解基因边界和结构规则
当前限制
- 仅支持 NVIDIA GPU（CUDA），CPU 推理不可用
- 输出精度固定为 float32，不支持半精度或量化推理
- 训练数据以哺乳动物为主，对更远缘物种（如细菌、古菌）的效果尚未验证
---
*基于 ForkLog、N+1 等媒体转述整理。*
参考来源
- https://forklog.com/en/russian-researchers-develop-ai-tool-for-gene-mapping/
- https://nplus1.ru/news/2026/07/03/genatator
说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。