KDD 2026｜大模型能读懂DNA吗？中国人民大学团队提出R3LM，让LLM在生命序列上学会「有依据地推理」
为什么大语言模型已经能写代码、解数学题、 完成复杂推理，一遇到 DNA 序列却常常失灵？
一段 DNA 在模型眼里通常只是「ACGTACGT……」这样的长字符串。但在生物学家眼中，同一段序列包含着更丰富的调控信息：哪些转录因子可能结合，motif 出现在哪里，它们如何排列，GC 含量暗示了怎样的序列背景，不同细胞类型下这些信号又可能产生什么功能差异。
围绕这一问题，中国人民大学高瓴人工智能学院研究团队提出 R3LM（Reasoning Regression Reward Language Model），探索了一条让大语言模型理解生命序列的新路径：先把原始 DNA 编译成结构化的生物学证据，再让模型基于这些证据进行机制推理，最终输出可解释的调控活性预测。
相关论文《Biological Reasoning-Informed Regression for Interpretable Regulatory DNA Activity Prediction》已被 KDD 2026 接收。
论文地址：https://arxiv.org/pdf/2606.08147
LLM让 读 DNA，先要改变「输入语言」
顺式调控元件（cis-regulatory elements, CREs）是基因组中控制基因表达的重要区域。准确预测 CRE 活性，对于合成生物学、代谢工程、个性化医学和智慧农业等方向具有重要价值。
近年来，深度学习模型已经能够从 DNA 序列直接预测调控活性。但这类方法大多以黑箱方式工作：模型可以给出一个分数，却很难说明这个分数来自哪些生物学证据。当模型被用于序列设计时，这种黑箱 reward model 还可能带来 reward hacking 风险，即算法找到一批模型打分很高、但生物学上缺乏可信机制的候选序列。
R3LM 的出发点很直接：如果希望 LLM 参与 DNA 建模，就需要把 DNA 转写成它更容易处理、也更符合生物学逻辑的结构化表示。
为此，团队设计了 Regulatory Context Card（RCC）。RCC 可以理解为一张 DNA 的「调控上下文卡片」，它把原始序列整理成多类可检查的信息，包括：
motif 证据：转录因子结合位点、位置、方向和匹配强度；
序列统计：如 GC 含量等全局背景特征；
调控语法：motif 共现、聚集、间距和组合关系；
实验上下文：如细胞类型、测量条件等；
原始序列：保留底层信息，便于追溯。
通过 RCC，模型面对的从单纯四种碱基字符的排列，转变为一组有结构、有来源、有生物学含义的证据。初步实验也显示，直接让 LLM 读取原始 DNA 序列表现较弱；加入 motif 和 GC 等上下文后，模型对调控活性的判断能力显著提升。这说明 LLM 并非完全缺乏推理潜力，真正的瓶颈在于 DNA 如何被表达给模型。
从「打分」到「说明为什么打分」
只有结构化输入还不够。研究团队进一步构建了 CRE-ReasonBench，为调控 DNA 样本补充机制推理轨迹。每个样本不仅包含 DNA 序列和活性标签，还包含一段基于 RCC 证据生成的推理过程，例如先分析 GC 含量，再检查关键 motif，再结合细胞类型背景判断可能的增强子活性。
在此基础上，R3LM 采用两阶段训练：
第一阶段，让模型学习根据 RCC 生成结构化机制解释，掌握「如何从证据推向生物学判断」。
第二阶段，将 RCC 和模型生成的推理轨迹一起输入回归模型，预测连续调控活性分数。为了避免模型直接依赖离散标签，训练时会移除推理文本中的最终等级结论，使模型必须根据证据和推理过程完成预测。
这样，R3LM 输出的结果包含两个层面：一个可用于序列优化的活性分数，以及一段可供研究人员检查的生物学解释。
图 1：R3LM 框架总览。图中展示 RCC 构建、CRE-ReasonBench 数据生成、两阶段训练流程。
实验：结构化证据让 LLM 更接近 DNA 专用模型
团队在 K562、HepG2 和 SK-N-SH 三种细胞类型的增强子活性预测任务上评估了 R3LM。结果显示，直接读取原始 DNA 的 LLM 表现明显受限；使用 RCC 后，LLM 性能大幅提升；进一步加入机制推理后，R3LM 在 K562 和 HepG2 上取得最佳表现，在 SK-N-SH 上也保持较强竞争力。
图 2：调控活性预测性能对比。表格展示 R3LM、Enformer、DNABERT-2、NT 以及 Qwen 基线在三个细胞类型上的 Pearson 相关系数和 RMSE。
以 K562 为例，Qwen 直接读取原始序列时 Pearson 相关系数为 0.3919；换用 RCC 后提升至 0.6886；R3LM 在自生成推理设置下进一步达到 0.8246，超过 Enformer 的 0.7990。HepG2 中，R3LM 也取得 0.8025 的相关系数，略高于 Enformer 的 0.8001。
更重要的是，R3LM 的预测过程可以被检查。团队进行的 rationale shuffling 测试显示，若打乱推理轨迹与样本的对应关系，K562 上的性能会从 0.8246 降至 0.0198，说明这些推理文本确实承载了与预测相关的信息，而非附加在结果之后的装饰性解释。
图 3：阶段一推理生成器诊断与 CRE-ReasonBench 统计。图中展示离散活性等级误差分布、RCC 中 motif 数量分布、推理文本长度分布和 motif 覆盖率。
迈向可解释的生命序列智能模型
R3LM 的价值不局限于某一个增强子预测任务。它提出了一种更通用的思路：当 LLM 进入基因组学场景时，关键问题之一是如何为生命序列构造合适的「语言接口」。
通过 RCC，DNA 可以被转写为结构化、可审计的生物学证据；通过机制推理，模型的预测分数可以与 motif、调控语法和细胞类型背景建立联系；通过连续 reward 建模，R3LM 进一步具备辅助 CRE 设计和序列优化的潜力。
当然，R3LM 仍依赖已有 motif 数据库和生物学先验，目前主要在 MPRA 增强子数据上完成验证。未来，如何扩展到更复杂的染色质环境、更长程的基因调控互作，以及更开放的 de novo 调控语法发现，仍值得继续探索。
总体而言，R3LM 提供了一条让 LLM 理解 DNA 的新路径：把生命序列从原始字符转写为结构化知识，让模型在证据上推理，再将推理转化为可用于设计的预测信号。这种「结构化表达 + 机制推理 + 可解释预测」的范式，有望为下一代基因组智能模型提供新的技术支点。