基因组语言模型绘制原核非编码序列图谱，聚类出514万个簇

Sun、Hudelmaier、Gilligan等研究团队称，其利用在原核基因间序列上微调的基因组语言模型，从DNA序列中学习非编码元件的表征，并将来自1.3太碱基对原核基因组与宏基因组的3.76亿个基因间区组织为514万个簇。论文称，该方法提名了20149个可能形成结构RNA、且带有候选蛋白伴侣的簇；token熵的周期性揭示了内部结构，仅凭序列即回收了CRISPR、TIGR与VIPR阵列及其对应的效应蛋白。对桥重组酶邻近序列的定向聚类，识别出向导识别序列长于任何已表征同源物的桥RNA变体。研究还让AI代理团队按研究者设定标准挖掘数据库，发现分化的核糖开关、核酶等结构RNA。作者称已公开该数据库。