Living Models 用 Gemma 4 搭配 BOTANIC-1 解码植物 DNA

通过将 Gemma 4 与 BOTANIC-1（一个专门在植物基因组上训练的基础模型）相结合，研究人员可以将传统作物遗传学中耗时数年的工作压缩为数小时的计算。

现代作物育种的关键在于精确定位因果关系：发现为什么一行瓜藤在干旱中枯萎而邻近的藤蔓却茁壮成长，或者一个单一的遗传开关如何改变花的结构以成倍提高商业产量。在数万个候选突变中追踪这一变化，历来需要多年的田间试验、季节性植物杂交以及劳动密集型的温室筛选。

为了加速这一过程，总部位于巴黎的 AI 生物学实验室 Living Models 测试了一种模块化架构，将 Gemma 4 与 BOTANIC-1（一个专用的植物基因组世界模型）配对。该流程展示了模块化架构如何在一下午解开数十年的遗传谜题，并帮助农业科学家直接聚焦于高置信度的干预措施。

教 Gemma 阅读 DNA，却不教它 DNA

为了分离高价值性状，植物遗传学家传统上依赖 混合分离分析——将相对亲本系杂交，在一个生长季中培育后代，将植株分入携带性状的池中，并对其基因组进行测序。虽然这一过程将性状缩小到广泛的染色体邻域，但它给科学家留下的是一张未注释的电子表格，其中包含数万个候选突变，包括字母替换（单核苷酸多态性，即 SNP）、插入和缺失。

面对这一瓶颈，一个自然的问题出现了：为什么不直接在原始 DNA 上训练像 Gemma 这样的通用模型？

在通用 LLM 中开发可靠的基因组能力会带来权衡：面向文本的分词可能对核苷酸序列效率低下，支持长输入并不能天然捕捉长程调控相互作用，而基因组微调可能会侵蚀模型的核心推理、编码和工具使用能力。相反，像 BOTANIC-1 这样的专用基因组语言模型（GLM）擅长序列表示，但非技术研究人员难以部署、查询并将其整合到日常实验室工作流程中。

Living Models 通过将两者配对解决了这一问题：Gemma 4 充当对话和代理抽象层，将自然语言的生物学询问转化为针对 BOTANIC-1 推理端点的结构化查询。

Gemma 4 E4B 充当自主生物信息学编排器——编写终端管道并执行工具调用——而 BOTANIC-1 是一个在 320 种植物物种上预训练的基础模型，用于评估深层进化约束。基准测试表明，更大的模型增加了操作开销却没有提高准确性，因此 Living Models 通过 Ollama 在单个 NVIDIA L4 GPU 上本地运行 E4B。这既保持了专有基因组的主权，又以最小的占用大幅削减了运营成本，使领域专家 AI 在标准商用硬件上即可使用。

超越相关性：寻找因果信号

在植物繁殖过程中，DNA 以大的连续块被继承。无害突变像共享同一节车厢的乘客一样搭上因果驱动因素的便车。由于该块中的每个变异在采样植株中共同分离，统计分选软件无法区分哪个字母导致性状，哪些只是搭便车。

打破这些遗传关联可能非常耗时。生物学家可能需要培育数千株额外的植物以捕获罕见的重组事件，测试其他植物品系，或花费一年时间逐一验证单个CRISPR构建体。

为了评估AI在实验室中真正实现突破的地方，Living Models团队测试了Gemma 4的智能体推理能力能否利用以下工具自行解析某一性状：

• 经典工具（方案A）：将Gemma部署为自主生物信息学家，利用其智能体推理能力编写流程、过滤覆盖度并执行标准命令行软件（bcftools、Ensembl VEP）。
• BOTANIC-1（方案B）：为Gemma配备BOTANIC-1，这是一个经过训练、能够读取植物基因组进化语法的领域专用基础模型。

团队转向了由合作者、INRAE研究主任Adnane Boualem博士领导的一项里程碑式发现：甜瓜CmEIN3基因内部一个单核苷酸字母的替换，将花性别从雌性转变为雌雄同体——这是授粉效率和果实产量的决定性驱动因素。标准定位将范围从全基因组的47,492个变异缩小到2号染色体上的3,061个区域候选变异。然而即便在2号染色体上，经典遗传学也撞上了一堵不可逾越的物理之墙：连锁不平衡。

实验A：经典生物信息学工具触及天花板

配备标准命令行工具后，Gemma 4以自主计算生物学家的程序性纪律运作：制定执行计划、应用读取深度过滤并注释突变。

该模型展现出智能体韧性：当出现语法错误时（例如试图将人类基因组标志应用于植物注释文件），Gemma解析终端输出并在16次中有9次恢复。在过滤阈值的引导下，在其最佳运行中，Gemma将候选池缩小到两个得分相同的编码突变。一个是已验证的CmEIN3驱动突变；另一个是不相关的基因。

为了证明这一僵局是经典工具的固有局限而非AI所致，团队在没有模型的情况下通过确定性脚本运行了相同数据：

虽然Gemma 4成功复现了人类专家生物信息学的天花板，但这一天花板仍让研究人员陷入停滞：因为经典工具衡量的是遗传相关性而非生物学后果，它们无法识别哪个突变真正改变了植物功能——使育种者不得不在实验室验证上花费数月时间，结果却如同抛硬币。

实验B：BOTANIC-1打破平局

在第二个场景中，Gemma 4被赋予一个专用工具：本地BOTANIC-1评分函数。BOTANIC-1不依赖群体频率差值，而是利用模型在给定周围基因组上下文（ctx）的情况下，对变异（alt）与参考基因组中原始核苷酸（ref）所给概率之间的对数似然比（LLR），在长达约128 kb的序列上下文中评估变异（Benegas, G. et al., PNAS, 2023）：

LLR Score = log P ( alt | ctx ) P ( ref | ctx )

该指标起到进化约束评分的作用；当某个核苷酸位置在数百万年的植物进化中保持保守时，引入替代碱基会产生极强的负分，表明存在严重的生物学破坏。

Gemma 4 系统地解析了 2 号染色体的候选变异，过滤掉了 567 个插入、缺失和重排，并将剩余的 2,494 个单核苷酸突变交由本地 BOTANIC-1 评分函数处理。结果打破了僵局：经过验证的 CmEIN3 突变在 2,494 个候选中排名第 1，且无并列。

通过用深度进化约束替代群体相关性，BOTANIC-1 提供了突破连锁不平衡所需的正交生物物理信号。为 Gemma 4 配备 BOTANIC-1 后，Recall@1 从 0.00（无引导）和 0.15（专家引导）提升至 0.90，且在 20 次运行中未出现虚构变异（而经典工具在 20 次运行中分别出现 3 次和 4 次）。

这种打破遗传关联的能力远不止于单个甜瓜染色体。正如 Living Models 的研究中详述的那样，团队在 500 多个已发表、经实验验证的因果植物突变上，将 BOTANIC-1 与经典生物信息学工具及领先的生物模型（包括 PlantCAD2 和 Evo2）进行了评估。在这一多样化的回顾性基准测试中，BOTANIC-1 在 15.9% 的案例中将真正的因果突变置于候选的前 0.1%，而最佳非 GLM 基线仅为 4.6%；在 48.8% 的案例中将因果驱动因素排在前 1.0% 以内（经典流程为 33.9%）。

通过将分析建立在深度进化保守性之上，BOTANIC-1 能够为推理模型提供对植物基因组的实证理解，超越原始相关性的局限。

科学 AI 的蓝图

Living Models 开发的这种模块化方法为科学 AI 建立了一个可重复的蓝图。与其期望单一模型掌握科学的每一层，现代发现受益于清晰的关注点分离：像 Gemma 4 这样的通用推理模型擅长认知编排，而像 BOTANIC-1 这样的专业基础模型则编码了自然的物理和进化约束。借助轻量级模型，农业实验室和开发者可以直接在本地执行这些智能体流程，从而确保知识产权完全自主且安全。

随着加速的气候变化扰乱传统生长季节并挑战全球粮食安全，作物育种再也无法以多年试错的节奏推进。通过将开放推理模型与专业基因组智能相结合，研究人员获得了所需的的速度、精度和隐私，以地球所需的时间表设计出具有韧性的作物。