《Advanced Genetics》：Foundation Models for Microbiome Research: From Sequence Semantics to Community Dynamics and Multimodal World Models
编辑推荐：
微生物组测序的发展速度已超过了对微生物组的理解。尽管大规模16S、宏基因组（metagenomic）、宏转录组（metatranscriptomic）和蛋白质组（proteomic）数据集迅速积累，但大多数分析仍然局限于特定队列且由关联驱动，限制了机制性洞察、
微生物组测序的发展速度已超过了对微生物组的理解。尽管大规模16S、宏基因组（metagenomic）、宏转录组（metatranscriptomic）和蛋白质组（proteomic）数据集迅速积累，但大多数分析仍然局限于特定队列且由关联驱动，限制了机制性洞察、跨研究可迁移性以及对技术混杂因素的稳健性。基础模型（foundation model）通过从大规模未标注数据集中学习可复用的生物学表征，提供了一种新的计算框架。在本综述中，研究人员将微生物组基础模型呈现为跨越生物学尺度的层级体系。序列中心模型捕获DNA和蛋白质的句法与语义，用于分类推断、功能注释和生成式设计。群落中心模型从丰度谱中学习生态结构，同时处理组成性、稀疏性以及微生物群落的无序性。新兴的多模态框架在宿主与环境背景下整合序列衍生的功能潜力与群落水平的生态动态。研究人员讨论了关键设计选择，包括令牌化（tokenization）、表征粒度、自监督目标（self-supervised objective）和评估策略，并强调可解释性、领域偏移（domain shift）、因果推理和生物学验证方面的挑战。最后，研究人员提出从静态表征学习向干预感知的微生物组世界模型（microbiome world model）的转变，该模型能够进行模拟、数字孪生（digital twinning）和生成式微生物组工程。
1 引言
微生物组研究处于一种悖论状态：测序规模迅速扩大，但生物学理解未能同步提升。16S rRNA谱分析、鸟枪法宏基因组学（shotgun metagenomics）、宏转录组学（metatranscriptomics）等产生了大量观测数据，但主流分析流程仍以队列限定和关联分析为主。差异丰度方法、生态学汇总统计和经典机器学习在单个数据集中可识别与疾病或环境梯度相关的类群，却难以构建能经受技术偏移、生态变异和注释不完整性考验的表征。这一局限源于微生物组数据本身具有稀疏性、组成性、层级性和背景依赖性，且同一类群在不同环境下可扮演不同生态角色。基础模型（foundation model）提供了一种不同路径：通过在大规模未标注语料上预训练，学习可复用的表征，从而将问题从“某微生物是否与表型相关”转向“序列编码了什么、群落如何组织、宿主与环境如何调节功能”。
2 本综述的贡献与范围
既有综述多将基础模型视为人工智能/机器学习工具包的一部分，缺乏区分“真正可迁移的微生物组基础模型”与“在微生物组数据上训练的大型任务专用预测器”的尺度感知框架。本综述根据表征学习发生的生物学尺度来组织讨论：序列中心模型学习分子句法与功能潜力，群落中心模型学习生态状态，多模态模型对齐这些层次与宿主、环境、空间、时间和扰动背景。核心检验标准是所学表征能否在队列、栖息地和扰动机制之间保持信息量，并保留分子潜力、生态实现与宿主/环境背景之间可解释的关系。“微生物组世界模型”被用作有界的路线图，而非宣称成熟的模拟器已经存在。
3 概念基础：微生物组的“语言”是什么
“生命语言”隐喻在序列层面是富有成效的：DNA和蛋白质是离散符号串，受进化与理化约束塑造，语言建模概念可自然迁移。但在群落层面，该类比只是部分的。微生物群落并非内在地有序的符号序列，而是稀疏的生态状态，通常以丰度谱或存在/缺失模式呈现；按丰度排序或离散化丰度会强加并非对象固有的结构。序列顺序是内在的，群落顺序是人为施加的。因此，微生物组基础模型必须被视为多尺度模型：分子智能编码于DNA/蛋白质中，表现为功能潜力；生态智能编码于群落组成中，表现为生态状态；情境智能则需加入宿主状态、环境、时间和扰动。本综述将微生物组基础模型定义为在大型微生物组相关数据上预训练、学习可复用表征，并在队列、技术平台、任务和栖息地之间保持信息量的模型；跨队列与跨栖息地可迁移性是实质性要求。
4 微生物组基础模型的架构与学习原理
多数微生物组基础模型继承自监督学习（self-supervised learning, SSL）的训练逻辑。掩码语言建模（masked language modeling, MLM）通过上下文推断隐藏元素，自回归目标支持生成，对比学习用于对齐多模态。然而，决定性的建模选择往往先于架构：令牌化（tokenization）在序列模型中决定模型能看到何种生物学结构（单核苷酸、k-mer、密码子、氨基酸或学习到的子序列）；在群落模型中，排名值编码、丰度分箱等策略会强加非天然的排序或离散化。上下文长度是另一个统一原则：基因组建模中长上下文可捕捉操纵子与染色体尺度组织；群落建模中类似问题表现为生态广度。预训练提供了更强先验，
