《BioData Mining》：Benchmarking genomic foundation models for binary classification of gene fusion breakpoints from DNA sequences
编辑推荐：
本研究聚焦于基因融合断点在癌症诊断中的关键作用，探讨了传统检测方法面临的计算复杂性与样本质量问题。研究人员对Nucleotide Transformer (NT)、Evo2、HyenaDNA和DNABERT2四种基因组基础模型（GFM）在基因融合断点分类任务上进行了首次全面基准测试。结果表明，NT模型性能最佳（准确率0.967），显著优于专用深度学习基线（FusionAI，准确率0.894），且数据效率极高（仅需~2,600样本即可达95%峰值性能）。这为开发针对罕见病等场景的可扩展、数据高效的精准基因组诊断工具提供了新路径。
基因融合是多种癌症发生的关键驱动因素，也是重要的诊断生物标志物。然而，从RNA或DNA测序数据中检测这些融合事件并非易事。传统分析方法常常受困于样本质量、巨大的计算复杂度以及数据噪声的挑战。尽管深度学习方法更为鲁棒，但它们通常依赖于大规模标注数据集和大量的训练资源，这在许多实际应用场景中，尤其是在研究资源有限的罕见疾病领域，构成了一个不小的障碍。正是在这样的背景下，基因组基础模型（GFMs）的出现带来了新的曙光。这些模型在泛基因组（pangenome）尺度上进行预训练，能够生成具有强大表征能力的“开箱即用”的序列嵌入，为解决上述问题提供了极具前景的方案。
为了评估这些前沿技术在基因融合检测领域的实际效能，一项发表在《BioData Mining》上的研究首次对四种基于Transformer架构的基因组基础模型——Nucleotide Transformer (NT)、Evo2、HyenaDNA和DNABERT2——进行了全面基准测试。该研究旨在回答一个核心问题：这些通用的大模型，是否能在无需大量下游任务重新训练的情况下，仅凭其生成的嵌入（embedding），就在基因融合断点的二分类任务上超越专门为此任务设计的深度学习方法？
研究人员使用精心整理的FusionAI数据集，该数据集包含约52,000条序列。他们专注于基因融合断点周围10千碱基对（kilobase-pair, kbp）的DNA序列，从每个基础模型中提取了这些序列的嵌入表示。研究的评估体系严谨而全面：首先，通过t-SNE（t-distributed Stochastic Neighbor Embedding）可视化对嵌入质量进行定性评估，直观观察不同类别样本在表示空间中的分离情况。其次，在固定这些嵌入的前提下，研究人员并未对基础模型本身进行微调，而是训练了两个轻量级分类器——支持向量机（Support Vector Machine, SVM）和简单的神经网络（Neural Network, NN），以此对嵌入的区分能力进行定量评估。这种“固定嵌入+轻量分类器”的范式，旨在评估基础模型生成高质量、可直接用于下游任务的表征能力，其计算开销远低于从零开始训练或完全微调一个大型模型。本研究的基线是专门为基因融合检测开发的深度学习模型FusionAI。
结果
Nucleotide Transformer (NT) 模型表现最佳
定量评估结果显示，Nucleotide Transformer (NT) 模型在基因融合断点分类任务上取得了压倒性的最佳性能。其准确率和F1分数均达到0.967。这一结果显著超越了专为融合检测设计的深度学习基线模型FusionAI（准确率0.894）。这强有力地证明了NT模型能够生成具有极高判别力的序列嵌入，使得一个简单的分类器就能达到顶尖的专业模型水平。
Evo2 模型凭借进化预训练展现稳健性能
Evo2模型是表现第二佳的模型，准确率达到0.920。研究指出，其稳健的性能可能源于其独特的进化预训练策略，该策略使模型学习到了更深层次的生物学约束和模式，从而增强了其表征的泛化能力和判别力。
DNABERT2 模型未能展现竞争力
与NT和Evo2的优异表现形成对比，DNABERT2模型在本任务中未能展现出竞争力，其准确率在0.677至0.723之间。这表明，尽管同为基础模型，不同的预训练目标、架构和数据可能对特定下游任务的迁移效果产生决定性影响。
NT 模型展现出卓越的样本效率
除了绝对性能，研究还深入分析了模型的样本效率。结果显示，NT模型仅需约2,600个训练样本就能达到其峰值性能的95%。相比之下，FusionAI基线模型需要超过14,000个样本才能达到同等水平的相对性能。这一发现具有重要实际意义，意味着在数据稀缺的场景（如罕见病研究）中，基于高级GFMs的方法可能具有巨大优势，能够以极少量的标注数据快速构建高性能诊断工具。
研究结论与讨论
这项基准研究的发现清晰地表明，先进的基因组基础模型，特别是Nucleotide Transformer (NT) 和 Evo2，能够生成高度判别性的“开箱即用”嵌入。这些嵌入不仅显著超越了专用深度学习基线模型的性能，而且仅需后者所需训练数据量和计算时间的一小部分。这突破了传统深度学习在基因组学应用中面临的数据和算力瓶颈。
该研究的意义在于，它为开发可扩展、数据高效的精准基因组诊断工具指明了一条新路径。通过利用GFMs强大的预训练表征，研究者可以绕过为每个新任务从头收集海量标注数据和训练大型模型的艰巨过程，只需少量任务特定数据，结合轻量级模型，即可快速构建出高精度的分析工具。这一点对于诊断生物标志物发现、罕见病研究等数据获取困难或标注成本高昂的领域尤为重要。未来的工作可以进一步探索如何将这些基础模型的最佳实践整合到更广泛的基因组学分析和临床诊断流程中，推动精准医疗向更普惠、更高效的方向发展。
