DNA 基础模型 2026：AlphaGenome 与 Evo 2

到 2026 年，如果目标是理解当前 DNA 基础模型，最值得先分清的是两条主线：AlphaGenome 做 sequence-to-function，Evo 2 做长上下文基因组建模与生成。

二者都能处理很长 DNA，但训练目标、输出和证据含义完全不同。不要因为它们都能输入约百万级序列，就把它们当成同一类模型。

1. 当前两条主线

模型	核心任务	上下文	主要输出
AlphaGenome	DNA 序列 → 功能基因组信号	最长 1 Mb	表达、转录起始、染色质可及性、组蛋白修饰、TF 结合、染色质接触、剪接等
Evo 2	自回归基因组建模与生成	最长 1M token	序列概率、零样本变异评分、长序列生成与设计

最简单的判断是：

你要问“这段 DNA 会产生什么分子功能信号？”——优先看 AlphaGenome。
你要问“这段序列在基因组分布中是否合理，或能否生成新的长 DNA？”——优先看 Evo 2。

2. AlphaGenome：把 1 Mb DNA 映射到多模态功能信号

AlphaGenome 在 2026 年正式发表于 Nature。模型以最长 1 Mb DNA 序列为输入，同时预测数千条功能基因组轨迹，并在不同任务上提供最高到单碱基分辨率的输出。

覆盖的主要模态包括：

gene expression；
transcription initiation；
chromatin accessibility；
histone modifications；
transcription factor binding；
chromatin contact maps；
splice-site usage；
splice-junction coordinates and strength。

因此它的核心价值不是“上下文很长”，而是把长上下文、多模态输出和变异效应预测放进同一个模型。

AlphaGenome 最适合什么

最直接的场景是非编码调控与变异优先级排序。对 reference / alternate allele 分别预测，再比较输出差异，可以得到某个变异对特定分子信号的预测效应。

但这个差值仍然是模型预测的分子效应，不是因果事实。一个 SNP 即使在模型中显著改变 TF binding 或 expression track，也还需要遗传、组学或扰动实验支持。

3. Evo 2：百万级上下文的生成式基因组模型

Evo 2 于 2026 年发表于 Nature。训练数据来自所有生命域的非冗余核酸序列，总规模超过 8.8 万亿核苷酸，模型规模包括 7B 和 40B。

Evo 2 使用 StripedHyena 2，它不是标准 Transformer，而是一个 convolutional multi-hybrid architecture，将多种 Hyena 类 input-dependent convolution operators 与 attention 组合起来。

模型通过多阶段训练把上下文扩展到 100 万碱基/约 100 万 token，并展示了：

长上下文序列建模；
零样本变异效应评分；
对外显子—内含子边界、TF binding 等序列规律的学习；
跨原核、真核和细胞器基因组的序列生成；
在生成阶段结合搜索或外部评分施加约束。

这里最需要避免的误读是：能生成长 DNA 不等于生成序列具有目标功能。生成质量、功能预测和实验功能仍然是三个层级。

4. AlphaGenome 和 Evo 2 不应该直接比“谁更强”

二者优化目标不同：

AlphaGenome
DNA sequence ──> measured molecular phenotypes

Evo 2
DNA context ──> next-base distribution / sequence likelihood / generation

AlphaGenome 更接近“从序列预测实验读出”；Evo 2 更接近“学习基因组序列分布并进行生成”。

因此评价也不同：

AlphaGenome 重点看 track prediction、variant-effect benchmark 和不同模态的泛化；
Evo 2 重点看 sequence likelihood、long-context retrieval、zero-shot scoring 和生成结果的独立功能评价。

5. 最大 context 不是科研结论

两个模型都把上下文推进到了百万级，但“模型能输入 1 Mb”不能自动翻译成“模型在你的任务里有效利用了 1 Mb”。

真正需要验证的是：

增加远端上下文是否提高目标任务性能；
模型是否利用了真实长程调控，而不是局部 motif；
测试划分是否避免同源序列、相邻窗口和重复区域泄漏；
输出是否经过与研究问题匹配的独立实验验证。

6. 植物和林木：不要直接假设人类调控模型可迁移

对杨树、林木和非模式植物，最重要的问题不是“哪个模型参数更多”，而是 domain shift。

实际应用前至少检查：

训练数据是否覆盖植物或近缘谱系；
目标任务是局部 motif、TF 结合、表达、剪接还是染色体尺度调控；
是否采用染色体级、家族级或同源感知的 train/test split；
转座元件、基因家族扩张和倍性是否导致额外泄漏；
是否有本物种 ATAC-seq、DAP/ChIP-seq、RNA-seq、QTL/eQTL 或遗传数据做独立验证。

如果是植物功能预测，AlphaGenome 更适合作为迁移能力需要被验证的 sequence-to-function 架构；如果是跨生命域序列建模或生成，Evo 2 的训练范围更直接覆盖植物，但生成序列仍需要功能层验证。

7. 2026 年的最小选择规则

目标	当前起点
非编码变异、表达、染色质、剪接效应	AlphaGenome
长 DNA 概率建模、zero-shot sequence scoring	Evo 2
长序列生成与基因组设计探索	Evo 2
植物/林木功能预测	先做目标物种 benchmark，再决定是否迁移 AlphaGenome
植物/林木长序列生成	Evo 2 可作为当前起点，但必须增加独立功能验证

参考资料

Avsec Ž, et al. (2026). Advancing regulatory variant effect prediction with AlphaGenome. Nature 649:1206–1218.
Brixi G, et al. (2026). Genome modelling and design across all domains of life with Evo 2. Nature.
Arc Institute Evo 2 官方仓库