Evo und Evo 2 sind die führenden genomischen Foundation Models (DNA-Sprachmodelle) des Arc Institute (in Zusammenarbeit mit Stanford, NVIDIA u. a.). Sie funktionieren analog zu großen Sprachmodellen wie GPT, nur dass sie auf DNA-Sequenzen (Nukleotide A, T, C, G) trainiert wurden und den nächsten Basenpaar-Token vorhersagen (autoregressiv, single-nucleotide resolution).
Evo (Evo 1)
- Veröffentlichung: Ende 2024 (Science / preprint).
- Größe: 7 Milliarden Parameter.
- Kontextfenster: 131.072 Tokens (ca. 131 kb).
- Architektur: StripedHyena – Hybrid aus Hyena-Operatoren (datenkontrollierte Faltungen / State-Space-ähnliche Mechanismen für lange Sequenzen) und Multi-Head-Attention (mit Rotary Position Embeddings).
- Trainingsdaten: OpenGenome – ca. 300 Milliarden Nukleotide aus prokaryotischen Genomen (Bakterien, Archaeen) plus Phagen und Plasmide. Fokus auf einzellige Organismen.
- Fähigkeiten:
- Zero-Shot-Funktionsvorhersage über DNA, RNA und Proteine (oft konkurrenzfähig oder besser als spezialisierte Modelle).
- Generierung komplexer Systeme (z. B. CRISPR-Cas-Komplexe, Transposons).
- Vorhersage von Gen-Essentialität auf Nukleotid-Ebene.
- Generierung coding-reicher Sequenzen bis ca. 650 kb.
Evo zeigte erstmals, dass ein generelles Genom-Modell molekular- bis genom-skalige Aufgaben beherrschen kann.
Evo 2
- Veröffentlichung: Preprint Februar 2025, peer-reviewed in Nature März 2026.
- Größen: 7B (trainiert auf 2,4 Billionen Tokens) und 40B (9,3 Billionen Tokens). Es gibt auch eine kleinere experimentelle 1B-Version.
- Kontextfenster: bis zu 1 Million Tokens (1 Mb) – ein großer Sprung.
- Architektur: StripedHyena 2 – verbesserte Multi-Hybrid-Architektur mit verschiedenen Hyena-Operatoren (short explicit, medium regularized, long implicit) plus Attention. Deutlich effizienteres Training und Inferenz bei sehr langen Sequenzen.
- Trainingsdaten: OpenGenome2 – über 8,8–9,3 Billionen Nukleotide aus mehr als 128.000 Genomen aller Domänen des Lebens (Bakterien, Archaeen, Eukaryoten inkl. Menschen, Pflanzen, Tiere + Bakteriophagen). Eukaryotische Viren wurden bewusst ausgeschlossen (Biosafety).
- Training: Zweiphasig – kurze Kontextlänge (fokussiert auf funktionale Elemente wie Gene, Promotoren) ? Midtraining mit schrittweiser Kontextverlängerung auf 1 M für Langstrecken-Abhängigkeiten.
Zentrale Fähigkeiten von Evo 2:
- Prädiktion: Zero-Shot-Vorhersage von Mutationswirkungen (pathogene vs. benigne Varianten, inkl. noncoding und Spleißstellen). State-of-the-Art bei vielen ClinVar- und BRCA1-Aufgaben ohne task-spezifisches Fine-Tuning.
- Interpretierbarkeit: Mechanistische Analysen (Sparse Autoencoders) zeigen, dass das Modell biologische Features lernt (Exon-Intron-Grenzen, Transkriptionsfaktor-Bindungsstellen, Proteinstrukturelemente, Prophagen-Regionen).
- Generierung: Genome-skalige Sequenzen (mitochondrial, prokaryotisch, eukaryotisch/Hefe-Chromosomen) mit höherer Natürlichkeit und Kohärenz als Vorgängermodelle. Kann durch Inference-Time-Guidance (z. B. mit Chromatin-Zugänglichkeitsmodellen) gesteuert werden.
Vergleich auf einen Blick
| Aspekt | Evo (1) | Evo 2 |
|---|---|---|
| Parameter | 7B | 7B / 40B |
| Datenvolumen | ~0,3 Billionen Nukleotide | 9,3 Billionen Nukleotide |
| Domänen | Prokaryoten + Phagen | Alle Domänen des Lebens |
| Kontext | 131 kb | bis 1 Mb |
| Architektur | StripedHyena | StripedHyena 2 (effizienter) |
| Generative Stärke | gut (prokaryotisch) | deutlich stärker, auch eukaryotisch |
Der große experimentelle Meilenstein (2025/2026)
Mit Fine-Tuning auf ~14.000–15.000 Microviridae-Sequenzen (Verwandte des klassischen Bacteriophagen ?X174) generierten Evo 1 und vor allem Evo 2 komplette neuartige Virusgenome in einem einzigen Durchlauf. Von hunderten synthetisierten Kandidaten erwiesen sich 16 als voll funktionsfähig: Sie infizieren und lysieren E. coli, einige besser als der natürliche ?X174, und ein Cocktail überwindet sogar Resistenz. Cryo-EM zeigte bei einem Design sogar den Einbau eines evolutionär entfernten DNA-Verpackungsproteins. Das sind die ersten experimentell validierten, von generativer KI entworfenen vollständigen Genome.
Stärken, Grenzen und Einordnung
Stärken: Skalierung funktioniert (ähnlich Scaling Laws bei LLMs), offene Veröffentlichung (Modelle, Code, Datensätze teilweise), extreme Flexibilität von molekular bis genom-skalig, starke Generalisierung.
Grenzen:
- Noch keine vollautonomen, sich selbst erhaltenden Zellen (nur Viren und Teilgenome).
- Generierungsqualität hängt stark von Prompting, Sampling und anschließender experimenteller Filterung ab.
- Biosafety-Maßnahmen (Ausschluss eukaryotischer Viren) sind vorhanden und scheinen zu wirken, Dual-Use-Risiken bleiben jedoch real.
- Experimentelle Validierung ist teuer und langsam – der Flaschenhals liegt nicht mehr nur beim Design, sondern beim Testen.
Evo und besonders Evo 2 markieren den Übergang von „KI hilft bei der Analyse und beim Design einzelner Proteine/Gene“ zu „KI schreibt funktionsfähige Genome“. Sie sind der bisher klarste technische Beweis, dass generative Modelle die „Sprache des Lebens“ ausreichend beherrschen, um neue biologische Systeme zu entwerfen – und damit ein zentraler Baustein auf dem Weg zu KI-gestützter synthetischer Biologie und künstlichem Leben.
