IsoAlign 论文提出联合嵌入预测架构，试图解决基因组基础模型忽略可变剪接问题

一句话结论

IsoAlign 提出基于联合嵌入预测架构的可变剪接感知 DNA-蛋白质对齐框架，显著提升基因组功能表征学习。

关键要点

• IsoAlign 是 2026 年 10 月 30 日提交的多模态框架，针对基因组基础模型（Genomic Foundation Models，GFMs）现有自监督预训练策略忽视替代剪接（alternative splicing）的缺陷，通过对齐转录本与对应蛋白质异构体（protein isoforms）来学习生物学上更有意义的表示。
• 该框架包含两个核心的联合嵌入预测架构（Joint-Embedding Predictive Architectures，JEPA）组件：DNA-蛋白质 JEPA（DP-JEPA）利用对比对齐从 DNA 预测蛋白质表示，Isoform-Masked JEPA（IM-JEPA）通过掩码蛋白质预测建模同一基因不同异构体之间的关系。
• 评估涵盖致病性预测、适应性、基因表达和转录因子结合（TF binding）四项多指标任务，结果显示基于异构体感知的跨模态对齐显著提高了功能表征和下游性能。
• 该研究确立了在基因组基础模型预训练阶段引入异构体感知 DNA-蛋白质对齐的可行性方向，旨在弥补专用模型与通用自监督预训练模型之间的性能差距。

背景与事实

基因组基础模型作为学习 DNA 序列表示的有力范式，其传统自监督预训练策略存在明显的生物学局限性。这些策略通常忽略了转录组中关键的替代剪接过程，导致其表现不如针对特定生物学任务训练的专用模型。为填补这一空白，IsoAlign 团队在 2026 年 10 月 30 日提交了相关论文，提出了一种将基因组预训练建立在异构体感知 DNA-蛋白质对齐基础上的多模态框架。该框架的核心逻辑在于通过将对齐对象从单纯的 DNA 序列扩展至包含编码序列及更广泛的调控上下文，从而捕捉生物学上更具功能性的特征。

该架构的技术实现依赖于两个联合嵌入预测架构。第一个是 DNA-蛋白质 JEPA，它通过对比对齐机制，直接从 DNA 序列预测对应的蛋白质表示，强化了跨模态信息的交互。第二个是 Isoform-Masked JEPA，专门用于建模同一基因不同异构体之间的关系，通过掩码蛋白质预测技术，使模型理解替代剪接如何影响蛋白质产物的多样性。这两个组件共同作用，使得模型能够学习到不仅限于单条序列，而是反映基因表达复杂性的表示。

在评估环节，研究者构建了一个跨多任务的多指标评估套件，具体包括致病性预测、适应性评估、基因表达预测以及转录因子结合位点识别。评估结果证明，利用联合嵌入预测架构进行异构体感知的跨模态对齐，能够显著改善学习到的 DNA 表示的质量，并直接转化为下游任务性能的提升。这一发现表明，将蛋白质异构体信息引入预训练阶段，是提升基因组基础模型生物学理解能力的有效路径。

影响分析

对于中文生物信息学开发者与科研人员而言，这项研究提供了明确的模型架构改进方向。过去，团队往往需要在预训练阶段自行设计复杂的损失函数来引入剪接信息，现在 IsoAlign 提供的联合嵌入预测架构范式可直接作为基线进行复现。开发者在构建新的基因组基础模型时，应当将异构体感知对齐纳入预训练目标，特别是在处理涉及复杂剪接调控的遗传病研究或合成生物学场景时。这将降低模型在致病性预测等高精度任务中的泛化误差，因为模型在预训练阶段已经“理解”了 DNA 到特定蛋白质异构体的映射关系，而非仅仅是通用的 DNA 序列统计特征。

该架构对算力资源的需求可能高于传统的纯自监督 DNA 模型，因为涉及蛋白质表示的联合嵌入计算。从业者在部署此类模型时，需评估自有算力集群是否支持多模态数据的联合训练。此外，由于该框架强调了调控上下文的捕捉，对于专注于非编码区变异功能预测的从业者，这一预训练范式可能带来更显著的准确率提升，因为异构体信息间接反映了调控元件对最终蛋白质产物多样性的影响。

适用边界

该结论不适用于那些蛋白质组结构单一、缺乏复杂替代剪接事件的基因研究场景，此时引入异构体感知对齐可能增加模型复杂度而无显著收益。此外，该架构依赖高质量的蛋白质序列数据与 DNA 转录本之间的对应关系，若目标物种缺乏完善的蛋白质组注释数据库，其预训练效果可能受限。对于纯表观遗传学研究且不涉及蛋白质表达层面的分析，该 DNA-蛋白质对齐框架的适用性较低，因为核心逻辑建立在序列到产物的映射之上。

孤本观察

编辑判断认为，该研究标志着基因组基础模型正从单纯的序列语言模型向多模态功能模型演进，联合嵌入架构的引入是解决生物学特异性缺失的关键工程手段。

来源：arXiv cs.LG