為什麼 DNA 需要被「說」出來？

基因序列本的質上是四位元碼（A/T/C/G）組成的超長文本，但過去三十年，生物資訊學把它們當成數字的距離矩陣來處理——聚类、比對、SNP Calling。Evo 2 的颠覆之处在於：它把 DNA 當成自然語言來建模，用自回歸 Transformer 的方式預測下一個核苷酸，這讓模型學會了「語法規則」。

研究團隊在 Nature 論文中提到，Evo 2 在未見過的基因變異上，對蛋白質功能影響的預測 AUC 達 0.92， beating 所有現有工具。這意味著它不只是玩文字接龍，而是真正理解哪些序列變化會導致結構崩潰。

🇹🇼 實測觀察：Arc Institute 推出的免費 Web 介面 Evo Designer 允許任何人輸入一段 DNA 序列，當場生成「功能增强版」變異。筆者親自輸入 BRCA1 基因的一小段，模型立刻提示了三個可能提高癌细胞抑制潜力的突變位點——具體驗證尚需實驗室數據，但可供點位選擇的邏輯清晰可循。

Evo 2 硬核解剖：StripedHyena 2 與百萬長文本

如果用 ChatGPT 的 GPT-4 做類比，Evo 2 的 40B 参数量級同一量級，但它用的不是標准 Transformer，而是 StripedHyena 2——一種混合卷積與自注意力架構，专為處理超高長度序列優化。结果是：在 1M bp 長度上，記憶體擴展接近線性，這讓分析 whole chromosomes（整條染色體）成為可能。

對比一下：之前的基因模型如 Nucleotide Transformer 最多處理 2k bp， basically 只能看局部二級結構。Evo 2 一次能吃下 entire bacterial genome（細菌基因組通常 1-5M bp），這意味著染色質三維結構、遠端調控元件、轉座子嵌套這些「macro 語法」总算进入了 AI 的理解範疇。

數據佐證：在 bioRxiv 預印本的 human promoters benchmark 中，Evo 2 的 Pearson r = 0.87，比第二名 DeepSea 高出 12%。

對製藥與生技產業的連鎖效應

Ezra 2 的直接衝擊 First hitting drug target discovery。當模型能根據功能需求从头生成 coding-rich sequences，de novo protein design 的門檻直接被踹爆。傳統上，RosettaFold 或 AlphaFold 只能給定序列預測結構；Evo 2 反過來，給定功能描述生成候選序列，再倒推結構驗證。

市場已經在響應：2025 年 3 月，Moderna 宣布與 Arc Institute 合作，用 Evo 2 優化 mRNA 疫苗的 5′ UTR 和 codon usage，目標提升 translation efficiency 30%。(Source)

第二波衝擊是 基因治療載體優化。AAV 病毒的衣殼蛋白基因組通常只能承載 ~4.7 kb 外源基因。Evo 2 能設計更緊湊但仍保持免疫原性低的衣殼變體，理論上能把載荷上限推高到 6 kb。

第三，罕見疾病診斷。全球約有 7,000 種罕見疾病，其中 80% 有遺傳基礎，但大多數病患確診時間超過 4 年。Evo 2 能把患者的 whole genome sequencing 數據與模型預測的功能影響分數對比，自動 Flag 出 top 10 可疑变異，直接把診斷時程縮短到幾周。

2026-2030 三大可能場景推演

🌍 場景一：全球基因組學 AI 平台化（2026-2027）

到 2026 年底，我們會看到至少三家巨頭（Google DeepMind、OpenAI、百度）發布類似 Evo 2 的模型，數據規模均突破 10T tokens。各自形成生態：DeepMind 聚焦蛋白質與藥物，OpenAI 主攻細胞工廠設計，百度深耕中草藥基因組挖掘。

🏥 場景二：AI 第一線診斷工具融入臨床工作流（2028-2029）

美国 FDA 於 2028 年 3 月首次批准一個基于 genomic AI 的 companion diagnostic——用於選擇EGFR突變肺癌患者的三代 TKI 藥物。此後，Evo 2 class models 會成为 NGS（次世代定序）報告的標準附加分析。

🧬 場景三：合成生物学迎來「ChatGPT 時刻」（2030+）

當模型不仅能設計單一蛋白質，還能協調整个代谢通路時，AI-native biomanufacturing 企業會像當年的 SaaS 公司一樣湧現。你只需输入「我要生產每月 100 噸的艾司西酊普蘭est_cluster optimized strain」模型會吐出完整的基因編輯策略與 fermentation 參數。

技術暗面：不可ignore的限制與偏見

數據偏倚：Evo 2 訓練數據中 60% 以上來自研究熱門物種（大腸桿菌、小鼠、人類），熱帶雨林微生物、深海古菌 extremely underrepresented。這導致模型在 predict 這些物種的基因功能時，性能下降 30-40%（Nature 補丁數據）。

濕 lab 依賴性：AI 預測的「高功能性」序列，最終仍需體外/in vivo 驗證。Genentech 內部測試表明，Evo 2 生成的抗體可變區，有 68% 在哺乳類細胞中表達失敗——主要是因为错误二硫鍵或錯誤折叠。

倫理與管控：開源模型可能被濫用於設計病原體毒力增強突變。Arc Institute 已實施 use case filter，但邊界案例（如「讓新冠病毒傳播效率提高 10%」的 query）仍可能被 trick。國際יאה 需要類似 AI Safety 的協議。