Colossal推出GenoMorphAI平台，用3D形态建模破解灭绝物种基因谜题

生物技术公司Colossal Biosciences近日正式推出一款名为GenoMorph的专用AI平台，旨在加速其“去灭绝”（de-extinction）研究进程。这一举措标志着AI在古基因组重建与表型逆向工程中的应用进入新阶段——当面对DNA保存极差、基因组样本极度稀缺的灭绝物种时，传统依赖多基因组比对的方法失效，而GenoMorph试图通过跨模态建模填补这一空白。

GenoMorph的核心能力在于整合三类异构数据：高精度3D形态学（尤其是颅骨结构）、现存近缘物种的发育基因表达图谱，以及有限的古DNA序列。以渡渡鸟（Raphus cucullatus）为例，Colossal目前仅掌握一个相对完整的渡渡鸟基因组；相比之下，其猛犸象项目已积累约100个高质量基因组样本。差异源于环境保存条件：猛犸象栖息于寒冷冻土带，DNA降解缓慢；而渡渡鸟生活于热带毛里求斯，遗骸中DNA严重碎片化。

“通常科学家可通过数十甚至上百个个体基因组比对，识别出与特定性状相关的遗传变异”，Colossal联合创始人兼CEO Ben Lamm解释道，“但对古代灭绝物种而言，我们往往只有极少数可用基因组，甚至仅有一个。”

为构建GenoMorph，团队耗时逾一年，系统收集了鸡、鹌鹑、鸭和鸽子等鸟类的胚胎发育时序数据，并整合来自70余种现生鸟类的基因信息与3D颅骨测量数据。该模型学习不同鸟类在发育过程中喙部与面部结构形成时活跃的DNA区域，进而推断哪些“遗传开关”可能塑造了渡渡鸟标志性的粗壮喙与圆润头型。

Lamm将GenoMorph比作一张“渡渡鸟基因组的藏宝图”：它不需穷举所有潜在变异，而是聚焦于最可能影响表型的关键位点，大幅缩小基因编辑靶点搜索范围。

图中可见，左侧为原始化石扫描重建的渡渡鸟头骨，右侧为叠加绿色荧光标记的预测基因活性区域——这些区域对应发育过程中调控骨骼形态的关键非编码调控元件。界面中还标注了如“上颌骨前突”“鼻孔位置”等解剖学特征点，体现其高度结构化的表型-基因关联建模能力。

值得注意的是，GenoMorph并非通用大模型，而是高度垂直的领域专用系统。它不生成文本或图像，而是输出可验证的生物学假设：例如，“在第5号染色体12.7 Mb处存在一个增强子簇，其在鸽类中调控喙长，在渡渡鸟中可能因缺失导致喙部加粗”。此类预测可直接指导CRISPR-Cas9编辑实验，将候选基因导入近缘宿主（如斑胸草雀）胚胎，观察表型变化。

该平台的出现，恰逢AI赋能生命科学进入爆发期。10月初，开源平台Hugging Face旗下生物团队HuggingFaceBio发布了Carbon-A模型及配套数据库CADB，后者覆盖22,617个分类单元、预测5.66亿个蛋白编码位点，规模达NCBI RefSeq的16倍。Carbon-A采用12亿参数架构，基于阿里云等机构2025年发布的GENERator DNA基础模型改造而成，实现仅凭DNA序列“从头预测”基因结构，显著提升非模式生物注释效率。

图中清晰呈现Carbon-A作为“共享检查点”（One shared checkpoint），连接原始基因组数据与标准化注释结果的桥梁作用。不同类群（哺乳类、植物、真菌等）的输入经统一处理后，产出结构一致的基因模型，解决了长期存在的注释标准不一问题。

两者的路径虽不同，却指向同一趋势：AI正从“辅助分析工具”升级为“假设生成引擎”。过去十年，基因组测序成本下降超百倍（Illumina 2022年宣布人类全基因组测序成本降至200美元），但功能注释仍严重依赖转录组、同源比对与人工校验，进展缓慢。尤其在演化枝末端的冷门物种中，注释完成度长期低于30%。AI模型通过学习序列-表型映射规律，开始弥合“数据洪流”与“认知滞后”之间的鸿沟。

与此同时，行业对生物AI的监管也在收紧。Anthropic在其旗舰模型Claude Fable 5.1中嵌入生物学安全机制：当检测到涉及病毒学、毒理学或分子设计的请求时，自动降级至能力较弱的Claude Opus 5处理；无限制版本Claude Mythos 5.1仅向经审核机构开放。这种“闭源收紧+开源开放”的分化格局，凸显出技术伦理与科研普惠之间的张力。

Colossal的GenoMorph暂未公开模型权重或API接口，属内部研发工具。其短期目标明确：支撑渡渡鸟项目在2027年前完成首个基因编辑胚胎。长远看，该框架可迁移至其他灭绝鸟类（如夏威夷绿雀）乃至爬行类（如恐鸟），前提是获取足够高质量的形态学与近缘物种发育数据。

图中显示渡渡鸟喙部三维模型被分解为多个可调参数模块（如“喙高”“喙宽”“弯曲角”），左侧控制面板实时反馈各参数对应的潜在基因调控区域。这种将宏观形态“参数化”的思路，是连接古生物学与合成生物学的关键接口。

需要指出的是，“去灭绝”本身仍面临多重挑战：除基因编辑外，还需解决代孕母体兼容性、行为习得、生态位重建等问题。GenoMorph解决的是其中最前端的“基因靶点识别”环节，而非全流程闭环。但正如Lamm所言：“没有精准的地图，探险者只能在黑暗中摸索；现在我们至少有了第一张可靠的星图。”

随着2027年被多家机构预言为“生物之年”，AI与合成生物学的交叉创新将持续加速。从Carbon-A的泛物种注释，到GenoMorph的灭绝物种逆向工程，工具链的完善正推动生命科学从“描述性”向“预测性”范式跃迁。而最终价值，不仅在于复活某个物种，更在于深化对基因-发育-形态演化规律的理解。