比对工具要退役了？基因组语言模型直读细菌"暗物质"，挖出数万个未注释元件

Coevolutionary mining of prokaryotic non-coding elements with a genome language model

为什么需要这个研究

细菌基因组里藏着大量非编码RNA（ncRNA）和核酸互作系统，它们是调控、防御和适应的核心零件，也是CRISPR这类生物技术工具的源头。但今天的主流发现管线有一个根深蒂固的偏好：先看蛋白编码区，再看和已知序列像不像。

这条路线的天花板很明显。结构化RNA的二级结构往往比一级序列更保守——序列变到认不出来，结构还在。靠多序列比对（MSA）找共变异信号的老办法，需要凑齐足够多"既同源又分歧"的序列，计算昂贵还常要人工修比对。

CRISPR本身就是个反例：它是1987年从一段DNA重复序列的"模式"里被注意到的，比人们理解它的免疫功能早了近二十年。问题随之而来——如果不靠蛋白同源性，直接从核酸序列本身读信号，还能挖出多少个"当年的CRISPR"？

Minerva是怎么设计的

核心思想一句话：功能上耦合的碱基会一起突变。为了保住一个碱基配对，进化的两端会留下"补偿性突变"的痕迹。掩码语言模型的训练目标恰恰是"根据上下文猜被遮住的碱基"——一个茎区里被掩码的核苷酸，身份受它的配对伙伴约束。也就是说，共进化信号天然就藏在语言模型的内部表示里，关键是怎么把它取出来。

团队基于gLM2继续预训练了1万亿token（OMG+GlobDB数据集），得到基因组语言模型Minerva-MLM：蛋白编码区用氨基酸token、基因间区用DNA token的混合模态设计，上下文窗口4,096 token（约10 kb DNA），另有8k扩展版。取信号有两条路：

图1.Minerva框架总览：基因组语言模型输出二维共进化图谱，互作头与雅可比指纹双引擎提取碱基配对、蛋白接触、重复motif三类信号，并在三类基准上系统评测性能与速度。

发现一：给150个细菌基因组做"暗物质"普查

团队把150个基因组（覆盖人肠道菌群hCom2成员、致病菌和模式生物）切成重叠片段，用互作头逐个预测共进化图谱。已知元件的分布验证了方法的可靠性：CRISPR位点扛起最强的重复motif信号，rRNA扛起最强的碱基配对信号，tRNA区域两者皆高——和生物学常识完全对上。

真正有意思的是那些"四不像"区域：大量未注释基因间区的结构信号强度和已知ncRNA相当甚至更高。换句话说，细菌基因组里还有一大片结构化的非编码区域从未被命名，其中包括复杂的多发夹元件。团队挑了两类信号最突出的位点深挖：TwoAYGGAY结构化RNA和UG27逆转录酶系统。

图3.基因组尺度共进化挖掘：150个细菌基因组的扫描流程、各类注释元件的信号富集、UMAP嵌入聚类，以及代表性基因组上rRNA、CRISPR等位点的信号轨道。红色点群即TwoAYGGAY等信号异常突出的未注释区域。

发现二：一个已知RNA家族被"加长"了

TwoAYGGAY是Rfam数据库里登记在册的结构化RNA家族（RF01731），经典结构是从共同基茎伸出的两个发夹，各带一个AYGGAY环。Minerva的预测却显示：在假单胞菌门里，这个家族普遍带着三个额外发夹、一根加长的基茎和一个3'端假结，上下游还拱卫着两类重复序列——5'端是5–6 nt的短重复阵列，3'端是100–200 nt的大重复。

用Minerva的预测迭代重建共变异模型后，团队在假单胞菌基因组数据库的1,324个菌株中扫出16,086个匹配（覆盖1,148个菌株），拷贝数中位数11–23，最高一株达到202个。更有意思的是，这些元件68.4%以"背对背"双联体形式出现，间距中位数仅249 bp——很像某种可移动元件的扩张方式。AYGGAY环此前被猜测是Csr/Rsm家族转录后调控因子的结合位点，额外发夹意味着这些RNA可能是多价"分子海绵"。

图4.TwoAYGGAY RNA的扩展结构：Minerva预测的碱基配对远超Rfam注释边界，揭示额外发夹、延长基茎与3'假结；上下游重复motif的排布及其在假单胞菌属中的广泛分布与拷贝数差异。

发现三：噬菌体里的"可变ncRNA阵列"，实验证实了

UG27是一类"未知组"逆转录酶（Unknown Group 27 RT），其同类（如DRT2）此前被发现能用ncRNA模板生产奇怪的cDNA，参与抗噬菌体防御。Minerva扫描发现，UG27位点的基因间区有一串约150 nt为单位的相邻发夹+重复互作信号——像一排结构相同、序列各异的"车厢"。

这些单元序列差异大到传统比对根本对不齐（点阵图上一片空白），但微调后的Minerva（仅用10个位点、约60个单元，甚至rank-1的LoRA）恢复了每个单元基部的额外发夹和假结。在82,314个单元（14,118个去重位点）上，单元长度集中在149和167 nt两个峰。AlphaFold3进一步预测UG27的三个保守蛋白（RT、sORF、bORF）组装成一个复合体。

预测停在纸上不算完。团队把5个UG27系统克隆进大肠杆菌异源表达，做链特异性DNA测序：所有系统都产生50–100 nt的短cDNA，精确对应每个ncRNA单元的中央发夹；把RT活性位点从YSDD改成YSAA，或者删掉任一辅助蛋白，cDNA立刻消失。AI预测的结构边界，和实验测到的逆转录起止位点严丝合缝。

图5.UG27逆转录酶系统编码可变的ncRNA阵列：前噬菌体基因座环境、微调前后Minerva预测对比（点阵图几乎无信号）、ncRNA共变异模型、阵列单元的序列多样性与长度分布、AlphaFold3预测的三蛋白复合体及RT系统发育树。

图6.实验验证：5个UG27系统在大肠杆菌中逆转录出50–100 nt短cDNA发夹，产物精确映射到ncRNA单元中央发夹；RT活性位点突变或删除辅助蛋白均废除cDNA合成。

附带的惊喜：模型自己学会了"数密码子"

在DRT2抗噬菌体系统的测试中，除了用13,034个同源位点微调后补上冷冻电镜结构里的假结，团队还发现互作图谱上出现了每三个核苷酸重复一次的节律——这正是密码子周期性的指纹。模型从没被教过这件事，却在DNA层面无监督地"看见"了开放阅读框。用这把尺子去量那些因注释错误被截短的蛋白编码区，延伸到的最近起始密码子后，有几个位点以100%一致性复原了RefSeq里的全长蛋白。

图2.家族特异性微调的效果：DRT2系统微调后恢复冷冻电镜结构中的假结；隐藏ORF上呈现每三核苷酸重复的密码子周期性信号，并可据此修正错误注释的蛋白编码区边界。

意义与展望

在笔者看来，这项工作的价值不在某一个新RNA，而在发现范式的切换：从"拿已知序列去钓鱼"变成"让模型直接读进化写下的批注"。CRISPR、retron、DRT这些系统的共同点是都先在序列模式上露出马脚——Minerva干的正是把"露马脚"这件事系统化、规模化，而且成本低到一块GPU一下午扫完150个基因组。

对药物发现和微生物组研究，三个方向值得跟踪：其一，UG27这类"序列可变、结构保守"的cDNA阵列天然是模块化、潜在可重编程的系统，它的cDNA产物功能虽未明，但逆转录酶+可变模板 RNA 的组合，正是当年retron走向基因组编辑工具（如precise editing供体）的路径；其二，TwoAYGGAY若以多价海绵身份调控Csr/Rsm通路，就是干预细菌毒力与生物被膜的潜在靶点；其三，每个基因组数百个未注释结构位点，本身就是一张待筛的功能元件清单。

也要冷静看待局限：4,096 token的上下文窗口够不着长程互作；蛋白接触预测仍逊于ESM-2等专用蛋白模型；RNA–蛋白互作基本还测不准；微调增强结构信号的同时会削弱重复与ORF信号，需要基础版与微调版对照使用。此外，扫描产出的是假说而非结论——TwoAYGGAY的扩展结构目前只有共进化与协变模型证据，尚无实验结构。作为预印本，本文尚未经同行评审，结论强度应相应打折。

本文由AI辅助翻译与整理，核心内容均依据原文，观点部分为作者解读，如有疏漏以原论文为准。