ICML 2026｜DNA大模型不止于LLM，湖南大学OpticalDNA开启视觉理解新范式

近年来，DNA Foundation Model 已成为人工智能与生命科学交叉领域最活跃的研究方向之一。

从 DNABERT、Nucleotide Transformer、HyenaDNA，到最新的 Evo、AlphaGenome，越来越多的工作开始借鉴大语言模型（LLM）的技术路线：将 DNA 序列表示为 token，并通过 Transformer、状态空间模型（State Space Model）等架构学习超长序列中的上下文关系。过去几年，这一路线不断推动模型上下文长度和预测能力的提升，也逐渐成为当前 DNA 大模型最主流的建模范式。

不过，随着模型开始处理数十万乃至全基因组尺度的输入，一个新的问题逐渐浮现：除了沿着序列逐步建模，是否还存在一种更符合基因组稀疏、区段化和超长特征的表示方式？

近期，湖南大学/岳麓山实验室曾湘祥教授团队提出了一种新的基因组视觉建模框架 OpticalDNA。不同于现有工作继续沿着序列建模方向优化，OpticalDNA 借鉴 OCR（Optical Character Recognition）的思想，将 DNA 从一维字符序列重新组织为可阅读、可定位、可检索的视觉文档，探索了一条新的基因组基础模型技术路线。相关论文《Rethinking Genomic Modeling Through Optical Character Recognition》被人工智能国际顶级会议 ICML 2026 接收。

论文地址：https://arxiv.org/abs/2602.02014

代码地址：https://hongxinxiang.github.io/projects/OpticalDNA/

为什么 DNA 大模型几乎都在借鉴 LLM？

过去几年，大语言模型取得突破后，一个十分自然的想法是：既然 DNA 序列是由 A、T、C、G 四种字符组成，那么是否也可以像自然语言一样进行建模？

于是，大多数 DNA Foundation Model 都遵循了一套相似的建模流程：

• 将 DNA 划分为 token；

• 采用 Transformer 或状态空间模型进行顺序建模；

• 学习长距离上下文表示；

• 利用预训练表示完成各种下游任务。

这种技术路线取得了显著成功，也推动 DNA Foundation Model 快速发展。但是，它同时也继承了自然语言建模的一些基本假设：模型需要按照序列顺序逐步阅读整条 DNA。

随着模型不断扩展到超长序列，这种假设开始面临新的挑战。

一个容易被忽略的问题：

自然语言和基因组，真的具有相同的信息组织方式吗？

过去几年，DNA Foundation Model 的快速发展，很大程度上受益于自然语言模型的发展经验。但一个经常被忽略的问题是：自然语言和真实基因组，真的具有相同的信息组织方式吗？

对于自然语言而言，语义通常沿着句子连续展开，逐词阅读即可逐步理解全文。然而，真实基因组却呈现出完全不同的组织特点（图 1）。

首先，信息极其稀疏（Sparse）。真正决定基因表达、调控和复杂性状的功能区域，仅占整个基因组的一小部分，而大量背景区域的信息密度较低。

其次，功能具有明显的区域性（Region-centric）。生物学研究更关注启动子、增强子、剪接位点等功能片段，而不仅仅是连续的字符序列。

更重要的是，基因组存在广泛的长距离互作（Long-range Interaction）。相距数十万甚至数百万碱基的调控元件，仍可能共同调控同一个基因，这意味着理解基因组不仅需要局部建模，还需要建立跨区域的信息关联。

换句话说，人们真正关心的，并不仅仅是预测结果，更希望知道模型关注了哪里（Where），以及这些区域为什么重要（Why）。

一个更加直观的比喻是：人类阅读论文时，会先浏览标题、摘要和图表，再快速定位真正重要的章节；而今天的大多数 DNA 大模型，却仍然需要从第一个碱基开始，依次处理到最后一个碱基。

因此，真正值得重新思考的，也许不是模型规模，而是：是否存在一种更符合基因组自身结构特点的建模方式？

图 1 自然语言和基因组信息组织方式差异： 自然语言的语义沿着文本连续展开，而真实基因组的重要信息却分散在超长序列中的少数功能区域，并通过长距离调控共同决定生物学功能。

OpticalDNA：

让 AI 第一次像「阅读文档」一样理解 DNA

针对上述问题，OpticalDNA 并没有继续优化顺序建模，而是提出了一个新的视角：Genome as Document。

也就是说，基因组不仅可以表示为一维字符序列，也可以组织为一份可阅读、可定位、可检索的长文档（图 2）。

图 2 OpticalDNA 将超长基因组重新组织为可阅读的视觉文档：OpticalDNA 首先将 DNA 排版为多页文档（DNA Documents），再划分为具有空间位置的视觉 Patch，并利用视觉编码器学习区域级表示。

整体来看，OpticalDNA 可以概括为四个关键设计（图 3）。

（1）视觉化 DNA 表示

模型首先把 DNA 序列按照固定规则渲染成结构化页面。每个碱基不仅被写进页面中，还保留与原始基因组坐标之间的映射关系。这样一来，模型在图像中找到的重要区域，可以再精确映射回基因组位置。

（2）理解驱动的压缩

与其对所有碱基平均处理，OpticalDNA 更强调「面向理解的压缩」。视觉编码器把页面压缩成紧凑的视觉词元（visual tokens），既减少长序列建模的有效 token 数，又尽量保留关键区域的信息。

（3）OCR 风格的预训练任务

团队不是只让模型做简单分类，而是设计了一套更接近真实分析流程的任务，包括：整页读取、区域定位、区域内读取、缺失片段补全、子序列检索，以及全局分类等。这样模型学到的不只是「看过」，而是「读懂、定位、检索、补全」。

（4）多页融合与提示驱动输出

对于超长基因组，单页无法容纳全部内容，因此方法引入多页融合模块，将不同页面的信息汇总，再由解码器根据不同任务输出结果。这使得 OpticalDNA 既可以做基础识别，也可以胜任下游功能预测和区域解释。

图 3｜OpticalDNA：让 AI 像阅读文档一样理解基因组。整个框架包含三个关键部分。首先（a），将超长 DNA 重新组织为具有空间布局的多页文档，并利用视觉编码器学习区域级表示；随后（b），借鉴 OCR 任务设计阅读、定位、检索、补全等六类文档理解任务，使模型学习「怎么看基因组」；最后（c），结合多页信息融合与任务指令，实现统一的基因组推理框架。

阅读方式的改变，带来了哪些提升？

OpticalDNA 的优势不仅体现在单个任务，而是在「长距离建模、跨物种泛化、全基因组预测、可解释性和效率」多个维度上都表现突出。

（1）长距离 eQTL 任务上表现领先

在 DNA LongBench 的 eQTL 任务中，OpticalDNA 获得了很强的 AUROC 表现，同时仅需更少的有效 token 数。这说明视觉化压缩并没有牺牲建模能力，反而在长距离序列理解中体现出了优势。

表 1 不同模型在长距离 eQTL 任务比较

（2）RiceSubBench：跨亚种泛化更稳健

在水稻亚种泛化实验中，OpticalDNA 不仅在域内表现良好，在分布外（far-OOD）场景下也具有更好的鲁棒性，说明模型学到的表示不是死记某个参考序列，而是具有更强迁移能力。

表 2 主流模型在水稻亚种泛化实验中表现

（3）RiceWGBP：全基因组表型预测更实用

对约 4 亿碱基的完整水稻基因组做表型预测时，OpticalDNA 不仅预测误差更低，而且单个基因组的推理时间是主流模型推理时间的 3～25 倍。做到了又快又准。

表 3 RiceWGBP 全基因组表型预测结果

（4）可解释性更强

通过 Grad-CAM 等方法，研究者发现模型高贡献区域能够落在有生物学意义的局部片段上。换句话说，OpticalDNA 不只是给出一个「黑箱预测分数」，还能够在一定程度上回答「模型到底看了哪里」。

图 4 OpticalDNA 的 Grad-CAM 可解释性结果

模型能够为每个 DNA 页面生成热力图，并计算页面级重要性分数，从而判断哪些页面和局部区域对最终预测贡献更大。结果显示，模型关注区域并非均匀分布，而是集中在短而连续的序列片段上；在剪接位点识别案例中，高响应区域与已标注的供体剪接位点明显重合。OpticalDNA 可以提供「重要页面 — 关键区域 — 基因组位置」的解释链。

结语：从「语言建模」到「视觉建模」

OpticalDNA 的意义，也许不仅仅在于提出了一个新的 DNA Foundation Model。更重要的是，它提供了一种新的思考方式：过去几年，DNA Foundation Model 更多借鉴了自然语言的发展路径；而 OpticalDNA 尝试进一步借鉴计算机视觉领域的发展经验，将 OCR 的阅读、定位、检索与区域理解能力引入基因组建模。

它并不是对语言建模范式的否定，而是在此基础上，探索一种更符合超长基因组结构特点的视觉建模范式。

如果说过去的问题是：如何让 AI 读懂更长的 DNA？

那么 OpticalDNA 更进一步提出了另一个问题：除了像阅读自然语言一样理解 DNA，AI 是否还能像阅读一份文档一样理解整个基因组？

这项工作给出的答案是：

可以，而且这种新的视觉建模思路，为超长基因组分析、可解释建模以及全基因组智能理解提供了一条值得探索的新方向。