智农前沿 || AI+农业应用场景(1):零样本功能基因组学

零样本功能基因组学

零样本功能基因组学（Zero-Shot Functional Genomics）是零样本学习（Zero-Shot Learning, ZSL）与功能基因组学交叉形成的前沿领域，核心是在目标生物实体/场景完全无标注训练数据的前提下，通过知识迁移预测基因、基因组元件、遗传变异、细胞类型乃至物种的生物学功能，是解决功能基因组学领域“标注数据极度稀缺”痛点的核心技术路径。

功能基因组学的核心目标是解析基因组中所有元件的生物学功能，但传统基于监督学习的方法高度依赖大规模标注数据，面临多重难以突破的瓶颈：

1. 标注数据极度稀缺

人类基因组中98%为非编码区域，绝大多数元件的功能尚未被实验注释；罕见细胞类型、疾病特异状态、非模式生物的功能组学数据获取成本极高、样本量极少。
2. 变异的组合爆炸

遗传变异的可能组合数量远超实验验证的极限，无法通过湿实验逐一测定每一种突变的功能效应。
3. 跨场景泛化需求强烈

生物学研究常需要将模式生物、常见组织的功能知识迁移到非模式生物、罕见组织或疾病场景，传统模型无法实现跨类别泛化。

零样本功能基因组学正是为突破上述局限而生，其核心价值是用已有的功能知识推断完全未知的生物实体功能，大幅降低功能基因组研究的实验成本，拓展研究边界。

二、核心原理与技术范式

零样本学习的核心逻辑是构建共享语义空间作为“知识桥梁”，将训练集中已标注类别的知识，迁移到训练中从未出现的“未见类别”。在功能基因组学中，根据语义空间的类型不同，主流技术范式分为四类：

1. 序列自监督预训练范式
这是基因组大模型时代最核心的零样本技术路线，其底层假设是：DNA/RNA/蛋白质的序列本身就是生命的通用语言，功能信息全部编码在序列中。

- 技术路径：在海量无标注基因组序列上进行自监督预训练（如掩码核苷酸预测），让模型学习基因组的“序列语法”——包括进化保守模式、调控元件特征、序列-功能映射规律。
- 泛化逻辑：模型掌握了通用的序列功能规则后，即使面对完全未见过的序列、细胞类型或物种，也能通过序列模式直接推断功能，无需额外标注数据微调。
- 代表方向：DNA基础模型（如Evo、Genomics-FM）、蛋白质大模型的零样本功能预测。

2. 生物属性引导范式
该范式以标准化的生物功能属性作为中间语义空间，实现知识迁移。

- 技术路径：将基因本体（GO）、KEGG通路、表型术语、分子功能描述等作为共享属性标签，训练模型学习“基因组特征→功能属性→功能类别”的两层映射。
- 泛化逻辑：对于未见的基因/基因组元件，只要能提取出对应的属性特征，就能通过属性空间匹配到对应的功能类别。
- 典型应用：新基因功能注释、非编码RNA功能预测。

3. 跨域特征解耦范式
针对跨组织、跨物种、跨生理条件的功能预测场景，核心是剥离领域特异特征，提取通用功能特征。

- 技术路径：通过特征解耦、域适应算法，将基因组特征拆解为“与功能相关的通用特征”和“与物种/组织/条件相关的域特异特征”，仅基于通用特征进行功能预测。
- 泛化逻辑：通用功能特征在不同生物场景下具有保守性，因此可以迁移到未见的域中。
- 代表方向：跨细胞类型的顺式调控预测、跨组织的表观修饰预测。

4. 知识增强推理范式
结合生物医学知识图谱、科学文献大模型，通过知识推理实现零样本功能预测。

- 技术路径：将已有的生物学知识（基因互作、通路关系、文献结论）构建为知识图谱或检索库，通过检索增强生成（RAG）、图推理等方式，基于已知实体的关联关系推断未见实体的功能。
- 典型应用：罕见变异致病性推断、基因调控因果网络零样本构建。

三、代表性技术与研究进展

1. Evo（Science 2024封面）：70亿参数基因组基础模型，在270万种原核生物和噬菌体全基因组上预训练，支持131kb长序列单核苷酸分辨率建模。首次实现DNA、RNA、蛋白质三个层级的零样本功能预测，在突变适应度预测、非编码RNA功能预测等任务上，性能媲美甚至超越领域专用模型。
2. GET模型（Nature 2025）：通用表达转换器，基于213种人类细胞类型的染色质与表达数据训练，零样本预测未见细胞类型的基因表达，可精准解析转录因子互作机制，应用于白血病等疾病的易感基因调控研究。
3. Genomics-FM（2024）：基因组通用基础模型，通过“基因组词汇”预训练框架，实现跨物种、跨组织的零样本功能泛化，覆盖基因组注释、表观组预测、变异效应评估等十余类功能基因组任务。
4. CREaTor（Genome Biology 2023）：注意力驱动的顺式调控建模模型，无需先验的调控互作知识，即可零样本推广到新细胞类型，解析最长2Mb范围内的顺式调控元件-基因对应关系。

四、核心应用场景

1. 基因调控元件零样本解析
- 顺式调控元件与基因表达预测：无需新细胞类型的调控组学标注，即可预测未见细胞类型中的增强子-基因互作关系、基因表达水平。例如GET模型可零样本预测213种之外的人类细胞类型的基因表达，并解析转录因子调控网络；CREaTor模型无需额外训练，即可建模新细胞类型的顺式调控模式。
- 非编码元件功能预测：零样本预测非编码RNA、启动子、增强子的功能活性，无需该类元件的专用标注数据集。例如Evo模型可同时实现非编码RNA、调控DNA的零样本功能预测，覆盖中心法则全层级。

2. 遗传变异效应零样本评估
无需特定变异的实验标注，即可预测罕见变异、新发突变、组合突变的功能影响（包括致病性、表达调控效应、蛋白适应度等），是临床基因组诊断、罕见病研究的核心工具。其原理是通过序列保守性、结构约束等通用特征，推断变异对分子功能的扰动程度。

3. 跨物种功能注释
对于新测序的非模式生物，无需其自身的功能组学数据，即可直接迁移模式生物的功能知识，完成全基因组的功能元件注释、基因功能预测。例如Genomics-FM可跨多个物种实现零样本基因组注释，性能优于专用模型。

4. 表观组与表观转录组零样本预测
针对难以检测的表观修饰场景，无需目标组织/条件的表观组数据，仅通过基因组序列或转录组数据即可预测表观修饰谱。例如ExpressRM框架仅利用RNA-seq数据，就能零样本预测从未观测过的组织/生理条件下的RNA修饰位点，性能与依赖同条件标注的监督模型相当 。

5. 合成生物学分子设计
零样本预测人工合成序列的功能活性，无需高通量实验筛选。例如Evo可零样本预测原核启动子-核糖体结合位点组合的表达强度，设计全新的CRISPR-Cas系统与转座元件，直接指导合成生物学实验设计。

五、农业应用场景

1. 跨物种零样本基因组功能注释
核心逻辑：通过多物种基因组预训练模型学习植物通用的序列-功能规则，直接对未参与训练的物种进行功能注释，无需目标物种的任何标注数据。

- PlantCaduceus（康奈尔大学，PNAS 2025）：基于16种被子植物基因组预训练，仅用拟南芥的少量标注数据微调后，即可迁移到分化1.6亿年的玉米（未参与预训练）；其中翻译起始位点预测性能提升7.23倍，剪接供体位点预测提升1.45倍，显著优于此前的领域专用模型 。
- GeneCAD：基因组注释基础模型，在训练集外的核桃、咖啡、普通烟草、野生烟草、栽培烟草5个物种中，零样本完成基因结构注释，可适配异源四倍体基因组 。
- 非编码调控元件注释
- AgroNT（48种可食用植物预训练，2025）：零样本预测木薯等作物的基因间增强子区域，精度达到主流监督模型水平，无需目标物种的表观组学标注 。

2. 零样本遗传变异功能效应评估
这是当前农业领域落地性最强的方向。核心逻辑：基于预训练模型学习的序列进化约束规律，通过参考等位基因与替代等位基因的对数似然比（LLR），零样本判断变异的功能影响，无需变异的实验表型标注。

- 因果变异精细定位

PlantCaduceus可在无玉米变异标注的前提下，精准识别甜玉米Su1位点的已知因果变异；整合GWAS结果时，零样本评分可显著缩小候选变异范围，辅助快速克隆性状基因 。

- 有害/优异变异批量筛选
- AgroNT的零样本评分可显著富集拟南芥、水稻群体中的低频有害变异，以及GWAS性状关联变异，性能优于传统基于多序列比对的保守性评分（phyloP、phastCons） 。
- PlantCaduceus预测的有害变异，其群体次等位基因频率仅为传统方法的1/3，对功能丧失型变异的识别精度更高 。
- 通用基因组模型Evo 2（200亿参数）无需植物专项微调，即可零样本区分拟南芥育性基因SPRI1/SPRI2的功能获得、功能缺失与中性变异，可直接用于野生种质资源的变异初筛。

- 农业价值

可将GWAS候选区间的变异筛选效率提升数倍，大幅缩短作物优异等位基因挖掘与基因克隆的周期，尤其适用于野生种质资源的快速评价。

3. 跨品种/跨组织的调控与表达零样本预测
核心逻辑：剥离品种、组织的特异序列特征，基于通用调控序列规则，预测未见品种、未见组织的基因表达与表观修饰状态。

- 针对六倍体小麦基因组复杂、跨品种调控预测难的问题，DeepWheat模型整合序列与表观组特征，可跨小麦品种零样本预测基因表达水平与调控元件活性；验证发现插入缺失（indel）对基因表达的影响显著强于单核苷酸变异（SNP）。
- AgroNT可零样本预测启动子、终止子的表达强度，以及不同组织的基因表达特异性，无需对应组织的转录组标注数据。

4. 合成生物学场景的零样本功能预判
核心逻辑：预训练模型掌握了植物基因的序列功能语法，可零样本评估人工合成序列的功能活性，大幅减少实验筛选工作量。

- PlantGFM（华中农业大学+崖州湾国家实验室，2026）：基于12种植物的108.4亿核苷酸预训练，支持64kb长序列建模，可零样本评估人工设计基因、合成启动子的功能合理性；该模型从头设计的全新基因已通过实验验证，可在植物细胞中正常表达，为作物合成生物学育种提供了设计工具。

六、核心挑战与局限

1. 分布外泛化瓶颈：当未见样本与训练数据的进化距离、序列特征差异过大时（如远缘物种、极端结构变异），模型预测性能会显著下降，是当前零样本基因组学最核心的技术难题。
2. 语义空间偏差：作为知识桥梁的功能注释（如GO、通路）本身存在研究偏差——研究充分的基因/功能注释更完善，会导致零样本预测向已知功能倾斜，对全新功能的发现能力有限。
3. 可解释性不足：大模型驱动的零样本预测多为黑箱输出，难以定位决定功能的关键序列位点、调控机制，限制了其在临床诊断和实验指导中的落地。
4. 评估体系不统一：不同研究对“零样本”的定义、测试集构建标准差异较大，缺乏统一的基准测试与实验金标准，难以横向对比方法性能。

七、发展趋势

1. 多模态融合：整合序列、三维基因组结构、多组学谱、科学文献等多模态信息，构建更鲁棒的共享语义空间，提升跨场景零样本泛化能力。
2. 因果零样本学习：从统计关联预测走向因果机制推断，零样本识别功能的因果调控元件，而非单纯的序列-功能关联。
3. 干湿闭环迭代：构建“零样本预测→小规模实验验证→模型快速校准”的研究闭环，用极低的实验成本持续优化零样本预测精度，加速功能基因组发现。
4. 可解释性增强：开发可解释零样本框架，精准定位功能相关的关键序列基序、位点，直接指导下游实验设计。

（文图 ：智农拾光、平豆包）