Языковые модели выросли из текста, но на тексте не остановились. Следующей мишенью стала ДНК — последовательность из четырёх «букв», в которой эволюция записала инструкцию для жизни. Геномные foundation-модели уже оценивают опасность мутаций, находят регуляторные «выключатели» генов и помогают спроектировать новую биологическую последовательность с чистого листа. А открытые веса на Hugging Face превращают передовую геномику из корпоративной привилегии в общий инструмент. Как это устроено, что сулит биотеху и почему специалисты по биобезопасности относятся ко всему этому с опаской — ниже.
Алфавит ДНК беднее детского букваря: всего четыре нуклеотида — A, T, G и C. Зато человеческий геном растянут почти на три миллиарда таких «символов». Для языковой модели это почти идеальный корпус: огромный, с чёткими закономерностями и — приятный бонус — уже готовый, без всякой ручной разметки. Эволюцию над этим датасетом трудилась миллиарды лет, чего не скажешь о большинстве датасетов, собранных людьми.
Схема знакомая каждому, кто видел GPT: сначала предобучение на массе неразмеченных геномов — человека, животных, растений, микроорганизмов, — потом дообучение под конкретную задачу. Модель сама выучивает «грамматику» последовательности: где начинаются гены, где стоят сайты сплайсинга, какие участки дирижируют работой соседей.
Подводный камень один, но серьёзный — длина контекста. Классический трансформер на длинных последовательностях дорожает стремительно, поэтому в геномных моделях появились гибридные архитектуры с длинным контекстом: именно на такой построена Evo от Arc Institute. А фундамент заложил DeepMind — их Enformer ещё до генеративного бума предсказывал активность генов прямо по последовательности ДНК.
Начнём с самого прикладного — мутаций. Модель смотрит на последовательность с заменённым нуклеотидом и оценивает, насколько она «естественна» для генома. Звучит скромно, но для врачей-генетиков это способ справиться с хронической бедой: большинство редких вариантов в геноме пациента уверенно классифицировать не получается, и они висят годами со статусом «значение неизвестно».
Второе — регуляторные элементы. Почти весь геном не кодирует белки, и именно там прячутся промоутеры с энхансерами, решающие, когда и где включится ген. ДНК-модели находят эти участки без ручной разметки и предсказывают, как мутация в такой «тёмной материи» аукнется на работе гена. И неспроста: большинство болезнетворных вариантов из полногеномных исследований сидит именно там.
Наконец, генерация. Модель создаёт новые последовательности — например, промоутеры с заданными свойствами для синтетической биологии или конструкции для микробов-продуцентов ферментов.
Ещё недавно такие модели жили за забором закрытых исследовательских центров. Теперь веса лежат на Hugging Face, и скачать их может университет, стартап или вообще один человек с ноутбуком. Экономика простая: дообучить открытую модель на собственных данных на порядки дешевле, чем строить с нуля.
Экосистема уже сложилась: Nucleotide Transformer от InstaDeep, компактная HyenaDNA, геномная Evo — и список продолжают пополнять новички. У skeptиков перед глазами пример AlphaFold: один публичный инструмент перестроил целую научную область, подняв планку и большим институтам, и маленьким группам. Открытость даёт ещё и проверяемость — результаты можно воспроизвести, ошибки найти и исправить, а новые организмы, от редких культурных растений до локальных популяций, добавить обычным дообучением.
Та же модель, что помогает диагностировать редкую болезнь, теоретически способна подсказать последовательности, которые лучше бы никто не проектировал. Классика двойного назначения, знакомая кибербезопасности до боли: уязвимости существовали всегда, но генеративные модели заметно понижают порог входа.
Рынок ответил инфраструктурой. Сервисы синтеза ДНК сверяют заказы с базами опасных патогенов и токсинов — эту практику развивают международные объединения компаний генного синтеза. В самих моделях стоят фильтры на этапе генерации и ограничения доступа к чувствительным функциям.
Спор о границе не закрыт. Полное закрытие затормозило бы медицинскую науку, полная открытость раздала бы риски каждому желающему. Вероятный компромисс подсказывают открытые LLM: открытые веса плюс ответственные лицензии плюс внешние системы контроля.
В стране есть обе половины уравнения. С геномной инфраструктурой более-менее понятно: работает государственная программа развития генетических технологий, под неё созданы центры мирового уровня по геномному редактированию — от Курчатовского института до ИППИ РАН, — плюс национальное хранилище биообразцов. Биоинформатика сильна в ИППИ РАН, Сколтехе, МГУ и СПбГУ, частный сектор — это геномные сервисы и стартапы.
С языковыми моделями тоже не пусто: GigaChat и YandexGPT доказали, что большие трансформеры в стране собирать умеют, а медицинские ИИ-сервисы уже внедряются в клинический контур. Узкие места известны — дорогие ускорители, которых мало, и качественно размеченные биомедицинские данные, которых ещё меньше. Открытые ДНК-модели тут как раз кстати: вместо обучения с нуля достаточно дообучения под свои задачи. Самые очевидные применения — селекция сельхозкультур под климат, ранняя диагностика редких генетических заболеваний и биотех-производства.
ДНК-языковые модели — не очередная строчка в списке улучшений биоинформатики. Это смена рамки: биология из описательной науки превращается в инженерию с предобученными моделями — примерно то же, что уже случилось с белками. Геном перестаёт быть экзотическим датасетом и становится языком, на котором программируют клетку. Дальше всё решат не столько параметры моделей, сколько три вещи: качество и разнообразие геномных данных, зрелость систем биобезопасности и открытая инфраструктура, которая позволит участвовать в гонке не только корпорациям. Сойдутся эти элементы — и следующее десятилетие биотеха пройдёт под знаком последовательностей, где буквы всего четыре: A, T, G и C.