基于 1 百万物种的百亿级基因数据，英伟达等构建 EDEN 系列模型，基因组与蛋白质预测能力达 SOTA

可编程生物学的根本目标在于对生命系统实现理性设计与精准调控，从而为复杂疾病带来革命性疗法。然而，这一进程长期受限于生物系统的内在复杂性。跨尺度的调控网络、隐藏的长程序列依赖关系，以及生物应对环境变化的多样适应性，都使得传统「试错式」研发陷入定制化、低通量、高成本的困境。

究其根本，当前计算模型所依赖的训练数据，无论规模还是多样性，都远未覆盖生命在数十亿年进化中形成的浩瀚设计空间。这些模型因此难以捕捉到通用设计法则，在面对多模态、跨尺度的创新疗法设计时，泛化能力严重不足。

为突破这一根本性限制，Basecamp Research 、英伟达及多所顶尖学术机构共同开发了 EDEN 系列宏基因组基础模型，通过从海量跨物种、关联环境信息的自然进化数据中学习，首次系统性地提炼出生物设计的深层「语法」与通用原则。该模型参数规模达 280 亿，在多项基准测试中取得了 SOTA，其核心突破在于获得了卓越的跨物种序列理解与生成能力，从而将生物工程从「筛选」推进到「可预测编程」的新阶段。

为验证 EDEN 作为统一生物设计引擎的能力，研究团队在多种治疗模式上进行了系统测试。在基因治疗中，仅凭目标位点 30 个碱基的提示，EDEN 即可从头设计出能在人类基因组中精准整合大片段的活性重组酶。在抗菌肽设计方面，同一模型生成的肽库对多重耐药病原体活性高达 97%，且具备微摩尔级效价。在生态系统层面，EDEN 成功构建出包含数万个人工基因组、代谢途径准确且物种关联性合理的合成微生物组。

相关研究成果以「Designing AI-programmable therapeutics with the EDEN family of foundation models」为题，已发表预印本于 bioRxiv 。

研究亮点：

* 开创了从进化历史中直接学习通用设计原则的新范式，利用覆盖全球生物多样性的宏基因组数据库 BaseData 进行训练，获得了卓越的跨物种序列理解与生成能力

* 验证了单一基础模型驱动多尺度、多模态疗法设计的强大通用性，证明一个模型即可统一应对从分子到生态系统的复杂设计挑战。

* EDEN 仅凭 DNA 提示，就能为多种疾病相关位点设计出功能性的重组酶，在未经训练的靶点上实现了 63.2% 的功能命中率

论文地址：

https://doi.org/10.64898/2026.01.12.699009关注公众号，后台回复「EDEN」获取完整 PDF

更多 AI 前沿论文： https://hyper.ai/papers

BaseData 数据集：以高质量长序列重塑生物 AI 数据基准

该研究使用的 BaseData 数据集从根本上突破了传统生物数据库的局限。传统数据库通常依赖有限的参考基因组和碎片化的短序列，而 BaseData 旨在系统性地捕捉完整进化信号，构建了一个覆盖全球生物多样性的进化基因组数据供应链。

BaseData 的核心价值首先体现在规模与战略性构成上。如下图所示，其包含 9.7 万亿个用于训练的核苷酸标记，涵盖超过 1 百万个新物种和 1 千亿个新基因。更重要的是，其内容并非随机采集，而是刻意富集了环境宏基因组、噬菌体及可移动遗传元件等高信息密度的序列。这些数据天然记录了噬菌体-宿主互作、水平基因转移等关键进化动力，为模型学习跨物种的通用功能规则提供了核心素材。

在数据质量方面，BaseData 实现了质的提升，关键体现在序列上下文的完整性。与广泛使用的 OpenGenome-2（OG2）相比，其连续序列片段（重叠群）的长度中位数达到 18.6 kbp（OG2 为 4.0 kbp），每个组装体包含的基因数量也显著更多。更长的连续背景对模型理解基因间的调控与代谢通路至关重要。

为量化这种质量优势，研究团队开展了对照实验：在 BaseData 和 OG2 的等规模数据上训练了系列模型。结果清晰地验证了「质量感知缩放定律」。在同等计算开销下，基于 BaseData 训练的模型测试困惑度下降更快。一个重要发现是，大型模型（如 70 亿参数）能充分利用 BaseData 的长序列信息，性能最终超越在 OG2 上训练的同类模型，直接证明了长程上下文对模型性能的决定性影响。

基于这一规律，研究团队使用完整 BaseData 训练了参数量达 280 亿的 EDEN-28B 模型。该模型不仅达到了最低测试困惑度，其性能提升轨迹也与从小规模模型推导的缩放预测完美吻合。在下游任务监控中，模型在预训练期间生成蛋白质的结构置信度指标随训练进程持续单调上升，证明高质量数据直接且稳定地提升了面向实际治疗的生成能力。

此外，所有数据均通过覆盖 28 个国家、 208 项许可的规范化法律协议获取，建立了从源头到使用的可追溯与利益共享框架，为大规模生物 AI 研究设立了必要的伦理与治理标准。

通用生物设计引擎 EDEN

EDEN 模型家族以「规模化、通用性与可扩展性」为核心设计原则，模型参数规模跨越 1 亿至 280 亿。其中，作为核心工作模型的 EDEN-28B，其架构与训练策略均深度适配宏基因组数据的独特性质。

在模型架构上，EDEN 采用了经过大规模语言模型验证的仅解码器 Transformer 架构，具体基于 Llama 3.1 的设计风格。这一选择得益于 Transformer 对长程依赖关系卓越的建模能力。 EDEN-28B 包含 48 层网络，隐藏层维度为 6,144，配备 48 个注意力头，使用 SwiGLU 激活函数与 RoPE 位置编码。模型使用单核苷酸分辨率的标记化方法，词汇表大小为 512，从而能够以最基础的「字母」级别理解和生成 DNA 序列。

一项关键技术亮点在于其长序列生成能力。尽管模型的上下文窗口设定为 8,192 个标记，但在实际应用中，它能够稳定生成并准确拼接超过 13,000 个碱基对的连贯基因组序列，且保持正确的基因顺序、阅读框与调控元件结构。这表明模型所学到的远非局部模式匹配，而是能够推断并应用一套超越物理窗口长度的、更深层的基因组组织「语法」。整个训练在 1,008 个 H100 GPU 上完成，通过大规模分布式计算实现了对海量进化数据的高效学习。

EDEN 的核心设计哲学遵循「预训练‑微调」范式。在第一阶段，模型在涵盖跨物种进化历史的 BaseData 上进行大规模预训练，从而内化了关于蛋白质折叠、代谢通路组装等生物设计的通用原则。

在此坚实基础上，针对特定治疗设计任务——例如设计靶向特定 DNA 位点的重组酶或生成新型抗菌肽——仅需使用少量高质量的任务配对数据进行轻量级微调，即可使模型快速掌握该任务的「方言」。这种设计使单一的 EDEN 模型能够作为一个通用的「生物序列引擎」，灵活适配并驱动从基因插入、多肽设计到微生物组工程等截然不同的治疗模式，真正实现了「一个模型，多重能力」的可编程生物学愿景。

驱动从分子、细胞到生态系统级别的治疗创新

为系统验证 EDEN 模型在实际治疗设计中的通用性与有效性，研究团队选择了在尺度、模式与生物复杂性上截然不同的四个关键方向进行实验验证。

在 AI 可编程基因插入（aiPGI）领域，团队重点攻克了「大片段 DNA 精准整合」这一长期瓶颈。传统 CRISPR 技术依赖造成双链断裂，而天然的大型丝氨酸重组酶无法识别人类基因组序列。如下图所示，EDEN 的解决方案是，通过对模型中蕴含的数百万 LSR‑附着位点配对关系进行微调，构建出能够理解「目标 DNA 序列→对应重组酶」映射关系的 EDEN‑LSR 模型。

实验结果表明，该方案成功为 10 个不同的疾病相关基因位点及 4 个潜在「安全港」位点生成了具有活性的 LSR，总体功能命中率达到 53.6% 。更关键的是，其中 50% 的设计酶能在原代人类 T 细胞中实现治疗相关水平的 CAR 基因插入，且部分变体在细胞系中实现了高达 40% 的整合效率，证明了其临床应用潜力。

在新型桥接重组酶（BRs）领域，EDEN 模型的能力进一步拓展至一个更具编程灵活性的基因编辑系统——桥接重组酶。如下图所示，为优化设计，团队通过在数百万个含 BR 的基因组区域上对模型进行微调，构建了 EDEN‑BR 专门模型。

关键的生化实验验证了这一设计流程的可行性。如下图所示，在初步的无细胞测试中，由 EDEN‑BR 生成的 49 个候选序列里，有两个被证实具有明确的重组酶活性。这两个名为 DF3843 和 DF3881 的人工设计蛋白，与已知任何天然 BR 序列相似性最高仅分别为 85% 和 65.8%，与一个已被深入研究的参照蛋白 ISCro4 的序列相似性甚至低于 35%，但在三维结构上却高度相似。这证明 EDEN 并非进行简单序列模仿，而是掌握了决定蛋白质功能与折叠的核心结构逻辑。

在新型抗菌肽（AMP）领域，研究团队验证了 EDEN 设计新型抗菌肽的能力。如下图所示，通过采用包含基因组上下文信息的微调策略，模型能够生成结构新颖的抗菌肽序列。

实验验证取得了突破性成果。如下图所示，在一个由 33 条生成肽构成的 AMP 库中，高达 97% 的序列显示出抗菌活性。其中，针对多重耐药的革兰氏阴性菌（如鲍曼不动杆菌），顶级设计候选物的抑菌浓度达到微摩尔级别，展现了强大的穿透外膜能力。这些生成序列与已知数据库的相似度普遍很低，证实了模型能够突破传统同源性限制、实现真正的「从头设计」。

最后，在最复杂的生态系统层面，研究挑战了「合成微生物组」的设计。传统方法难以协调多物种间的代谢互作与生态平衡。如下图所示，EDEN 通过消化系统微生物组数据进行微调后，仅根据功能基因或生态位提示，便成功生成了一个包含超过 9 万个物种、规模达千兆碱基的合成宏基因组。

生成结果显示出高度的生态真实性：99% 的物种被正确归类于消化系统相关的生物群，并完整保留了跨物种的代谢通路。此外，模型甚至能准确生成整合在宿主基因组中的原噬菌体结构，证明了其已捕捉到宿主与病毒间精细的互作逻辑。

这四大跨尺度实验共同表明，基于统一进化数据预训练的 EDEN 模型，能够作为一个通用的生物设计引擎，仅需极少的任务特异性数据引导，即可快速、可靠地驱动从分子、细胞到生态系统级别的治疗创新，为可编程生物学奠定了坚实的实践基础。

AI 与合成生物学的融合创新

近年来，可编程生物学领域在学术界与工业界的融合创新步伐显著加快，一系列重磅进展正在重新定义生物设计的边界。

全球顶尖学术机构正以前所未有的规模和精度，将进化智慧转化为可计算的模型。例如，2024 年初，由 DeepMind 、 Isomorphic Labs 与多所大学组成的联合团队，发布了能同时预测蛋白质结构、相互作用并生成具有特定功能全新蛋白质的 AlphaFold 3 模型。该模型首次将生物分子的复杂共舞纳入统一框架进行高精度模拟，被 Nature 杂志评价为「在绘制生命的分子机器内部运作方式上实现了飞跃」。

产业界则加速将这些突破转化为平台与疗法。在 AI 制药领域，NVIDIA 与 Recursion Pharmaceuticals 发布了生物化学 AI 模型库 BioNeMo，旨在使药物发现从「大海捞针」转向「按图索骥」。合成生物学公司 Ginkgo Bioworks 则利用其自动化平台，系统性设计用于碳捕获和化学品生产的微生物群落，推动「合成生态系统」的工程化。

这股由数据和算法驱动的新浪潮，正推动生物学从观察描述的科学，转变为一门可编写、可调试、可预测的工程学科，不仅意味着我们能够更精准地编写生命代码来攻克疾病，更预示着我们将有能力系统地设计生物系统，以应对资源、环境与健康领域的全球性挑战。

参考链接： 1.https://nvidianews.nvidia.com/news/nvidia-announces-broad-expansion-of-its-biomedicine-platform
2.https://www.ginkgobioworks.com/2024/01/04/ginkgo-bioworks-and-pfizer-expand-collaboration-to-advance-rna-based-therapeutics/