AI解码基因-RNA调控：构建精准医学的分子底座 | 周四直播·计算医学前沿研讨会第二期

导语

生命科学与医学领域正经历着深刻的智能革命。大语言模型与多智能体技术快速发展，正在推动形成计算医学（Computational Medicine）新范式，为精准医疗、疾病诊断和健康管理开辟全新路径。AI驱动的计算医学在自主探索、跨尺度数据融合、个体建模与数字孪生等方面快速发展，然而跨学科合作与方法论整合仍是重要挑战。

为此，DAMO开发者矩阵（由阿里巴巴达摩院和中国互联网协会联合发起）与集智俱乐部共同主办“AI驱动的计算医学前沿：从科学发现到数字孪生”系列研讨会，邀请多位国内外前沿学者与业界专家分享交流。系列研讨会将系统梳理计算医学与AI交叉领域的最新进展，自2025年7月6日（周日）开始，共5大议题分享与讨论。本活动免费报名，实行审核入群制，请填写信息后入群，并参与腾讯会议互动。

7月10日（周四）19:00开始第二期研讨。欢迎相关研究、应用领域的朋友报名参加，共同推动生命科学与医疗健康的智能未来！

本期简介

医疗的精准化、个体化时代已经到来，但在真正实现临床精准医疗之前，如何从海量复杂的基因组、转录组、蛋白组、代谢组等多组学数据中高效挖掘出疾病表型的深层规律，仍然是当前生命科学与AI交叉领域的重要挑战。AI驱动的多模态生物医学模型，逐渐在不同尺度的组学数据间建立高效连接，从而为疾病的精准分类、诊断、疗效监测和靶向治疗提供了前所未有的可能。

计算医学系列研讨会将通过两期内容，分别聚焦于AI基因-RNA调控研究以及AI蛋白质科学与多组学研究，深入探讨AI如何推动生物医学数据与精准医疗的深度融合。本期将重点解析AI驱动的基因组与转录组研究如何揭示复杂疾病背后的调控网络与分子机制，探讨深度学习模型如何实现从DNA序列与RNA调控到临床疾病表型的有效贯通，为精准医学的临床落地提供分子层面的科学基础。本期将探讨：

• AI如何帮助破译基因组调控密码，发现新的疾病相关分子机制？

• 深度学习模型如何揭示RNA翻译及转录后调控在复杂疾病中的作用？

• 如何将AI驱动的基因-RNA调控模型高效转化为精准医学的实际应用？

• 在推进上述研究与临床转化过程中，不同地区和国家在数据标准、研究模式、伦理治理与临床实施上的差异与挑战

分享简介

报告一：利用AI解读基因组转录调控语法（郭国骥）

脊椎动物基因组的调控序列语法仍未被完全解析。为此，浙江大学郭国骥团队建立了超高通量超灵敏单核ATAC测序技术（UUATAC-seq），可在单日内高效率高质量的完成一个物种的染色质可及性图谱。基于该技术，团队为五大代表性脊椎动物中绘制候选顺式调控元件图谱，开发多任务深度学习模型NvwaCE（女娲CE），并实现了从基因组序列到单细胞水平调控元件图谱的直接预测。团队发现，脊椎动物调控语法的保守性明显强于核苷酸序列本身，且该语法将脊椎动物调控原件序列在高维分类为不同的功能模块，由此揭示细胞类型特异性基因表达的序列基础。另外，女娲CE模型在多项指标上，超越现有的基因组AI模型，并能精准预测合成突变对谱系特异性调控元件功能的影响。最后，团队利用基因编辑实验，首次验证了完全由人工智能设计的人类疾病治愈性位点。这项工作为全面解读基因组语言和建立数字生命模型奠定了坚实的基础。

参考文献：

Modeling the vertebrate regulatory sequence landscape by UUATAC-seq and deep learning

https://doi.org/10.1016/j.cell.2025.06.020

报告二：基于深度学习的RNA调控及疾病解析（熊旭深）

多基因疾病的遗传风险变异大多位于非编码区域，其作用机制尚不明确，阻碍了疾病的诊断和治疗。我们此前从多个层面探讨了这些变异的调控作用，包括单细胞RNA测序与单细胞ATAC测序（Cell 2023）、m6A RNA甲基化（Nat Genet 2021）以及H3K27ac组蛋白修饰（Nat Genet 2023）。在此基础上，我们进一步利用深度学习方法，聚焦于以RNA为中心的疾病遗传学机制。

第一项研究中，我们提出了多模态 Transformer 框架 Translatomer，可根据 RNA-seq 和基因序列预测细胞类型特异性的核糖体谱（ribosome profiling）。在来自 33 种组织和细胞系的数据上训练后，Translatomer 通过纳入序列特征，大幅提升了核糖体谱的预测能力，捕获了序列依赖的翻译调控特征。在全新（de novo）预测任务中，其预测精度达到 0.72–0.80 的皮尔逊相关系数（PCC）。我们进一步开发了体外模拟突变（in silico mutagenesis）工具，用于评估突变对翻译的影响，发现受翻译调控的变异在进化上受到明显的约束。重要的是，我们鉴定出 3041 个非编码和同义位点的疾病相关变异，这些变异具有独立于 eQTL 的细胞类型特异性翻译调控作用，暗示了其在阿尔茨海默病、精神分裂症和先天性心脏病中的潜在机制（Nature Machine Intelligence, 2024）。

第二项研究中，我们开发了可解释的深度学习框架 TransRBP，以碱基分辨率模型化 RNA-结合蛋白（RBP）与 RNA 序列的结合，并探究 m6A 修饰与 RBP 之间的相互作用。TransRBP 在 32 个 m6A 相关 RBP 上的中位预测准确率达到 0.59，相较当前最佳模型提升 28%。梯度解释分析显示，m6A 相关 RBP 的结合位点中富集剪接共识基序，凸显了 m6A 与剪接互作的作用。我们还构建了突变模拟测定，用于量化 m6A 对 RBP 结合的影响，并利用注意力机制阐释 RBP-m6A 相互作用。该方法揭示了 1806 对在多种疾病（如帕金森病、自闭症和心肌病）中显著改变 RBP 结合的变异-RBP 组合。值得注意的是，我们发现了影响 UPF1（阿尔茨海默病）以及 DDX3X（心肌病和肌营养不良）的 m6A 邻近顺式变异。总体而言，TransRBP 为解析 RBP-m6A 动态提供了有力工具，并揭示了复杂疾病背后转录后调控的机制性见解。

参考文献：

1. Epigenomic dissection of Alzheimer’s disease pinpoints causal variants and reveals epigenome erosion https://www.cell.com/cell/fulltext/S0092-8674(23)00974-1

2. Genetic drivers of m6A methylation in human brain, lung, heart and muscle https://www.nature.com/articles/s41588-021-00890-3

3. Multitissue H3K27ac profiling of GTEx samples links epigenomic variation to disease https://www.nature.com/articles/s41588-023-01509-5

4. Deep learning prediction of ribosome profiling with Translatomer reveals translational regulation and interprets disease variants https://www.nature.com/articles/s42256-024-00915-6

5. In-silico modeling and interpretation of RBP binding disentangle m(6)A-RBP interaction https://www.biorxiv.org/content/10.1101/2024.11.23.624962v1

嘉宾信息

报告嘉宾

郭国骥，浙江大学求是特聘教授，浙江大学血液学研究所副所长。入选中组部万人计划科技创新领军人才，教育部长江学者特聘教授。曾获“谈家桢生命科学创新奖”，“中源协和生命医学创新突破奖”，“浙江省自然科学一等奖”等荣誉。任中国医药生物技术协会基因检测分会副主任委员，中国生理学会血液生理学专业委员会委员，兼任Advanced Science, Cell Regeneration等期刊编委。以通讯作者身份在Cell, Nature, Science等著名期刊发表多篇学术论文。研究成果获评“2020国际十大科技新闻”，“2020中国生物信息学十大进展”，“中国2020年度重要医学进展”，“2022中国生物信息学十大进展”。

熊旭深，博士生导师，浙江大学医学中心/良渚实验室“百人计划”研究员。熊旭深本科毕业于华中科技大学生物信息学专业，博士毕业于北京大学生命科学学院，博士研究方向为RNA修饰和生物信息学；随后在MIT计算机与人工智能系进行博士后研究，方向为计算生物学和人类多基因复杂疾病。致力于利用统计遗传和人工智能的手段探究表观转录组和表观基因组在人类大脑遗传疾病中发挥作用的生物学机制。以通讯作者或第一作者（含共同）发表Cell, Nature Genetics, Nature Machine Intelligence等论文多篇。

圆桌嘉宾

吴家睿，现任上海交通大学主动健康战略与发展研究院执行院长，中国科学院上海高等研究院国家蛋白质科学研究（上海）设施主任，中国科学院系统生物学重点实验室主任，上海市科普作家协会理事长。他的实验室主要采用系统生物学方法研究糖尿病和肿瘤等重大慢性病发生与发展的分子机制。

张清鹏，香港大学数据科学研究院和药理及药剂学系副教授，他的研究方向是复杂系统和医学信息学。他于2009年获得华中科技大学自动化学士学位，2012年获得亚利桑那大学系统与工业工程博士学位，并在伦斯勒理工学院计算机科学系从事博士后研究。他的研究成果发表在Nature Human Behaviour, Nature Communications, MIS Quarterly等顶级期刊上，并受到华盛顿邮报、纽约时报、泰晤士报、BBC、卫报等国内外多家媒体的报道。他目前的研究重点是开发基于知识的预测决策分析方法，利用高维生物、临床和行为数据进行药物发现、精准医疗和公共卫生研究。

张禹洵，京都大学医学基因中心在读博士，研究领域包括病理基因组学，蛋白组学，罕见病，公共卫生。本科及硕士阶段留学美国，主修微生物学与流行病学，目前于京都大学攻读病理基因组学博士学位。具备一定的湿实验操作、生物统计分析以及高通量组学研究经验。研究成果曾在日本人类遗传学会（JSHG）、美国人类遗传学会（ASHG）及泰国人类遗传学会（TSHG）等国际学术会议上发表。关于“IgG4相关疾病”的基因组学研究成果即将在《The Lancet Rheumatology》期刊发表。

报名参与

直播信息

2025年7月10日（周四） 19:00-21:00

报名加入社群

填写信息后，添加运营负责人微信，备注“报名计算医学研讨会”。通过审核后，后续将邀请加入对应主题的社区（微信群）。

我们采取开放交流研讨的方式，如果你在相关议题方向上有研究成果和行业案例，意愿以结构化形式分享交流，请在报名后联系运营负责人。

研讨会简介

为了更好地促进生命科学与人工智能领域的深度交叉融合，推动前沿研究与医疗实践的快速落地，DAMO开发者矩阵与集智俱乐部联合发起了“AI驱动的计算医学前沿：从科学发现到数字孪生”研讨会，旨在构建跨学科交流平台，推动知识共享与技术创新。

本系列活动将通过结构化的深度主题对话，邀请国内外生命科学与AI交叉领域的前沿研究者和产业实践者，共同探讨如何用AI赋能生命科学与精准医疗，推动研究范式与医疗模式的革新。