为什么Lyra可能是你还没听说过的生物信息学领域最重要的AI突破
在被越来越大的Transformer模型和计算需求惊人的深度学习架构所主导的领域中，一场静悄悄的革命正在展开。一种新的AI模型——Lyra——正在重新定义生物序列建模的可能性。它不仅仅是更快或更便宜。这是一种全新的方法，可能会改变生物技术公司、研究实验室和制药公司设计药物、改造蛋白质和解读生命语言的方式。
在许多AI进步都集中在需要大量基础设施的通用模型上时，Lyra提供了一些不同的东西：一种生物学驱动、数学高效的模型，以一小部分资源提供最先进的性能。
现有生物AI模型的问题
AI已经以强大的方式改变了生物学。从蛋白质折叠到RNA设计，基于Transformer和卷积神经网络（CNN）的模型已经做出了前所未有的预测。
但它们是有代价的。
- 二次复杂度：Transformer模型在序列长度上扩展性差——O(N²)，使得模拟整个基因组区域或大型蛋白质等长生物序列几乎不可能。
- 巨大的资源需求：最先进的模型通常需要高端GPU集群、数天的训练和大量数据，这使得小型实验室或快速发展的初创公司无法企及。
- 有限的生物归纳偏置：大多数深度学习模型是通用的，并非旨在反映生物系统的基本原理。
结果是什么？在技术上可行的事情与许多生物学背景下实际可用的事情之间存在差距。
是什么让Lyra与众不同
Lyra不仅仅是另一种架构。这是对如何建模生物序列的一种有原则的重新思考——植根于数学和生物学。
1. 用于效率和能力的混合架构
Lyra结合了两个核心组件：
- 投影门控卷积（PGC）：这些有效地提取局部模式并模拟二阶相互作用，捕捉蛋白质或RNA序列中常见的短程效应。
- 状态空间模型（SSM），特别是S4D：一种对角化版本，使用多项式逼近来捕捉长程依赖关系。至关重要的是，SSM的扩展比例为O(N log N)——相对于Transformer的O(N²)扩展，这是一个巨大的改进。
这种混合结构使Lyra能够处理多达65,536个tokens的序列，具有更少数量级的参数——在某些情况下高达120,000倍更少——并且推理速度显着加快。
2. 建立在上位性的生物学基础上
与通用模型不同，Lyra基于上位性，即通常决定生物功能的突变之间的非加性相互作用。
上位效应可以在数学上建模为多线性多项式——Lyra的架构反映了这种结构。S4D近似多项式相互作用的能力使其能够比基于注意力的模型更自然、更有效地捕捉这些复杂的依赖关系。
生物学理论和模型设计之间的这种紧密结合是罕见且强大的。
跨越100多个生物学任务的性能
Lyra不仅仅在纸面上看起来不错。它能够交付成果。
在超过100个生物学任务的基准测试中，Lyra实现了最先进或接近SOTA的性能。这些包括：
- 蛋白质组学：蛋白质结合预测、固有无序区域识别、细胞穿透肽设计。
- 基因组学：剪接位点检测、启动子活性分析、RNA功能和结构预测。
- CRISPR指南设计：对于Cas9和Cas13系统，特异性和效率至关重要。
并且它在不到两个小时内在1-2个GPU上完成了所有这些工作，优于在大型计算集群上训练的基础模型。
为什么Lyra对投资者和行业很重要
1. 更低的成本，更快的迭代
生物技术和制药公司通常花费数周的时间来迭代蛋白质设计或CRISPR靶点。Lyra在推理方面的64倍加速意味着这些周期显着缩短——从而实现更多的实验、更快的上市时间和更低的成本。
2. 生物学中AI的民主化访问
并非每个实验室都能负担得起NVIDIA H100集群。凭借Lyra的微小内存占用和高效率，即使是大学实验室或早期创业公司也能获得强大的生物建模能力。这为整个行业的更广泛采用和更快的创新打开了大门。
3. 下一代平台的基础
Lyra是模块化且具有生物学基础的——使其非常适合集成到以下商业软件平台中：
- 基因组解释和注释
- 个性化医疗和RNA药物开发
- 生物制造和酶优化
- 实时病毒监测和诊断
在这些领域中的每一个领域，以最小的计算开销对序列数据中的长程相互作用进行建模的能力使Lyra具有关键优势。
学术和理论影响
除了其性能之外，Lyra还挑战了AI中流行的说法——越大越好。相反，它表明扎根于领域知识和数学结构的架构创新可以用更少的资源产生更好的结果。
Lyra的成功也为新的研究方向打开了大门：
- **状态空间模型（SSM）**在生物学以外的领域的应用——例如气候建模、金融预测和材料科学。
- 生物启发式神经架构的开发，这些架构更好地反映了现实世界系统复杂、分层和非线性的性质。
生物学AI的新篇章
Lyra不仅仅是一种巧妙的架构——它代表着一种范式转变。它将深刻的理论见解与现实世界的生物学相关性相结合，在不牺牲性能的情况下提供效率。
对于投资者而言，它标志着下一代生物技术AI工具——更精简、更快、更易于访问。
对于研究人员而言，它提供了一个不仅在计算上可行而且在生物学上有意义的框架。
对于该行业而言，它可能是解锁更快、更便宜、更准确的生物学发现的关键。
现在的问题不是Lyra是否有效。而是该领域将以多快的速度采用它——以及它接下来将解锁哪些新领域。
你怎么看？像Lyra这样以效率为先的AI模型会超过应用科学领域的Transformer巨头吗？让我们在下面讨论。