المترجم لا يتعلم اللغة من كتاب مدرسي، بل بالاستماع إلى الكلام الحي ورؤية ما يفعله الناس استجابةً للكلمات. هذا بالضبط ما يفعله الأسلوب الجديد C3P لقراءة الحمض النووي البكتيري. النماذج الجينومية التقليدية تحاول تعلم القواعد بمجرد «إعادة قراءة» مليارات الحروف من الشيفرة الوراثية — وغالبًا ما ترتبك. السبب هو أن المناطق التنظيمية في الحمض النووي تتطور بسرعة وبشكل فوضوي، مثل اللغة العامية في الشوارع. أما C3P فيقارن المحفّزات (مناطق الحمض النووي التي تبدأ قراءة الجين) بالبروتينات الناتجة عنها. نماذج اللغة البروتينية تفهم جيدًا «لغة» البروتينات — بنيتها ثلاثية الأبعاد ووظائفها. هذه الخبرة الغنية تصبح المعلم للحمض النووي.
بعد التعلّم على 88 مليون زوج من «محفّز — بروتين» من البكتيريا، أصبح النموذج أفضل بكثير في التنبؤ بمكان وكيفية تنظيم الجينات. لكن الأكثر إثارة للاهتمام أنه تعلّم العثور على الجينات الشريكة في الجينوم دون أي تلميحات (وهذا ما يسمى zero-shot). النماذج التقليدية في هذه المهمة تعمل بشكل شبه عشوائي، بينما C3P يعطي مجموعات ذات معنى فورًا. هكذا المترجم، بعد أن يفهم العلاقة بين الكلمات والأفعال، يدرك بدون قاموس أن «المطر» و«المظلة» غالبًا ما يأتيان معًا في الحديث.
اختبر المؤلفون كيف تتحسن الجودة مع زيادة البيانات والقدرة الحاسوبية. اتضح أن C3P يحقق دقة عالية بتكلفة أقل بكثير من النماذج الجينومية الرائدة. يمكن تطبيق الأسلوب على نطاق واسع دون انتظار أجهزة الكمبيوتر العملاقة. الأفق المستقبلي هو فك شفرة تنظيم الجينات لملايين الأنواع البكتيرية بمجرد توفر جينوماتها. دون إجراء تجربة واحدة في المختبر.
كما كتبه المؤلفون، بالإنجليزية arXiv:2605.25242
Despite the increasing scale of genome language models (gLMs), their ability to decode the function of regulatory sequences remains unclear. gLM pretraining relies on sequence reconstruction, which may struggle due to the noisy, rapidly evolving nature of regulatory DNA. Self-supervised contrastive approaches provide a promising alternative. Inspired by language-image architectures like CLIP, we introduce contrastive promoter-protein pretraining (C3P). By learning to align promoters to their corresponding proteins, we leverage the rich representations of proteins learned by protein language models as supervisory signal for the learning of promoter representations. After training on 88 million bacterial promoter-protein pairs, we evaluate the predictive power of C3P-learned promoter representations for inference of curated regulatory annotations, finding multi-fold improvement over leading gLMs. We also introduce zero-shot co-regulated gene retrieval, the ability to find co-regulated genes in a genome using no experimental data. We find that compared to a randomly initialized baseline, C3P training consistently provides significant zero-shot performance gains, unlike gLMs. Scaling analysis reveals the potential for further improvement as well as the efficiency of C3P, which achieved strong performance at a fraction of the training cost of leading gLMs. In addition to demonstrating that C3P training is effective for learning representations of bacterial regulatory sequences, our strong zero-shot co-regulated gene retrieval performance suggests the possibility of decoding gene regulation for millions of bacteria from their genomes alone.
قد يتكون المحفّز البكتيري من بضع عشرات فقط من «حروف» الحمض النووي، لكنه هو الذي يحدد ما إذا كانت الإشريكية القولونية غير الضارة ستصبح ممرضًا خطيرًا.
في «الحديقة الجوراسية»، ملأ العلماء الفجوات في الحمض النووي للديناصورات بجينات الضفادع — كان بإمكان C3P التنبؤ بكيفية تأثير هذا «التجميع» على تفعيل الجينات.