解析基因組的“語言”：戈登貝爾獎決賽選手使用大型語言模型來預測新冠病毒變異株

來自美國阿貢國家實驗室、NVIDIA、芝加哥大學等組織機構的研究員開發(fā)了一個處理基因組規(guī)模數(shù)據(jù)的先進模型，并入圍戈登貝爾COVID-19研究特別獎決賽。

這一戈登貝爾特別獎旨在表彰基于高性能計算的COVID-19研究。一位決賽入圍選手教會了大型語言模型（LLMs）一種新的語言——基因序列，使這些模型能夠提供基因組學、流行病學和蛋白質工程方面的洞察。

這項開創(chuàng)性的成果發(fā)表于10月，是由來自美國阿貢國家實驗室、NVIDIA、芝加哥大學等組織機構的二十多名學術和商業(yè)研究員合作完成。

該研究團隊訓練了一個LLM來追蹤基因突變，并預測需要關注的SARS-CoV-2（導致COVID-19的病毒）變異株。雖然迄今為止大多數(shù)應用于生物學的LLM都是在小分子或蛋白質的數(shù)據(jù)集上訓練的，但這一項目是在原始核苷酸序列（DNA和RNA的最小單位）上訓練的首批模型之一。

負責帶領該項目的阿貢國家實驗室計算生物學家Arvind Ramanathan表示：“我們假設從蛋白質水平到基因水平的數(shù)據(jù)有助于我們構建出更易于理解新冠病毒變異株的模型。通過訓練模型去追蹤整個基因組及其進化過程中的所有變化，我們不僅能夠更好地預測COVID，還能預測已掌握足夠基因組數(shù)據(jù)的任何疾病。”

戈登貝爾獎被譽為HPC領域的諾貝爾獎。今年的戈登貝爾獎將在本周的SC22上由美國計算機協(xié)會頒發(fā)。該協(xié)會代表著全球約10萬名計算領域的專家，自2020年開始向使用HPC推進COVID-19研究的杰出研究員頒發(fā)特別獎。

在一種只有四個字母的語言上訓練大型語言模型

長期以來，LLM一直在接受人類語言的訓練，這些語言通常由幾十個字母組成，可以排列組合成數(shù)萬個單詞，并連接成長句和段落。而生物學語言只有四個代表核苷酸的字母，即DNA中的A、T、G和C，或RNA中的A、U、G和C。這些字母按不同順序排列成基因。

雖然較少的字母看似會降低AI學習的難度，但實際上生物學語言模型要復雜得多。這是因為人類的基因組由超過30億個核苷酸組成，而冠狀病毒的基因組由大約3萬個核苷酸組成，因此很難將基因組分解成不同、有意義的單位。

Ramanathan表示： “在理解基因組這一 ‘生命代碼’的過程中，我們所面對的一個主要挑戰(zhàn)是基因組中的龐大測序信息。核苷酸序列的意義可能會受另一序列的影響，以人類的文本做類比，這種影響的范圍不僅僅是文本中的下一句話或下一段話，而是相當于一本書中的整個章節(jié)。”

參與該項目協(xié)作的NVIDIA研究員設計了一種分層擴散方法，使LLM能夠將約1500個核苷酸的長字符串當作句子來處理。

論文共同作者、NVIDIA AI研究高級總監(jiān)、加州理工學院計算+數(shù)學科學系布倫講席教授Anima Anandkumar表示：“標準語言模型難以生成連貫的長序列，也難以學習不同變異株的基本分布。我們開發(fā)了一個在更高細節(jié)水平上運作的擴散模型，該模型使我們能夠生成現(xiàn)實中的變異株，并采集到更完善的統(tǒng)計數(shù)據(jù)?！?/p>

預測需要關注的新冠病毒變異株

該團隊首先使用細菌和病毒生物信息學資源中心的開源數(shù)據(jù)，對來自原核生物（像細菌一樣的單細胞生物）超過1.1億個基因序列進行了LLM預訓練，然后使用150萬個高質量的新冠病毒基因組序列，對該模型進行微調。

研究員還通過在更廣泛的數(shù)據(jù)集上進行預訓練，確保其模型能夠在未來的項目中推廣到其他預測任務，使其成為首批具備此能力的全基因組規(guī)模的模型之一。

在對COVID數(shù)據(jù)進行了微調后，LLM就能夠區(qū)分病毒變異株的基因組序列。它還能夠生成自己的核苷酸序列，預測COVID基因組的潛在突變，這可以幫助科學家預測未來需要關注的變異株。

在長達一年時間內積累的SARS-CoV-2基因組數(shù)據(jù)的訓練下，該模型可以推斷出各種病毒株之間的區(qū)別。左邊的每個點對應一個已測序的SARS-CoV-2病毒株，并按變異株顏色編碼。右圖放大了該病毒的一個特定毒株，它捕捉到了該毒株特有的病毒蛋白進化耦合關系。圖片由美國阿貢國家實驗室的Bharat Kale、Max Zvyagin和Michael E. Papka提供。

Ramanathan表示： “大多數(shù)研究員一直在追蹤新冠病毒突刺蛋白的突變，尤其是與人類細胞結合的域。但病毒基因組中還有其他蛋白質也會經(jīng)歷頻繁的突變，所以了解這些蛋白質十分重要。”

論文中提到，該模型還可以與AlphaFold、OpenFold等常見的蛋白質結構預測模型整合，幫助研究員模擬病毒結構，研究基因突變如何影響病毒感染其宿主的能力。OpenFold是NVIDIA BioNeMo LLM服務中包含的預訓練語言模型之一。NVIDIA BioNeMo LLM服務面向的是致力于將LLM應用于數(shù)字生物學和化學應用的開發(fā)者。

利用GPU加速超級計算機大幅加快AI訓練速度

該團隊在由NVIDIA A100 Tensor Core GPU驅動的超級計算機上開發(fā)AI模型，包括阿貢國家實驗室的Polaris、美國能源部的Perlmutter以及NVIDIA的Selene系統(tǒng)。通過擴展到這些強大的系統(tǒng)，他們在訓練中實現(xiàn)了超過1500 exaflops的性能，創(chuàng)建了迄今為止最大的生物語言模型。

Ramanathan 表示： “我們如今處理的模型有多達250億個參數(shù)，預計這一數(shù)量未來還會大幅增加。模型的尺寸、基因序列的長度、以及所需的訓練數(shù)據(jù)量，都意味著我們的確需要搭載數(shù)千顆GPU的超級計算機來完成復雜的計算。”

研究員估計，訓練一個具有25億參數(shù)的模型版本，需要約4000個GPU耗時一個多月。該團隊已經(jīng)在研究用于生物學的LLM，在公布論文和代碼之前，他們在這個項目上已耗時約四個月。GitHub頁面上有供其他研究員在Polaris和Perlmutter上運行該模型的說明。

NVIDIA BioNeMo框架可在NVIDIA NGC中心上的GPU優(yōu)化軟件中搶先體驗。該框架將幫助研究員在多個GPU上擴展大型生物分子語言模型。作為NVIDIA Clara Discovery藥物研發(fā)工具集的一部分，該框架將支持化學、蛋白質、DNA和RNA數(shù)據(jù)格式。

在SC22上蒞臨NVIDIA展臺并觀看以下特別演講回放：

頭圖是研究員的LLM所測序的新冠病毒株。每個點都按新冠病毒變異株進行了顏色編碼。該圖由美國阿貢國家實驗室的Bharat Kale、Max Zvyagin和Michael E. Papka提供。