摘要

在网络生物学研究中，基础模型正扮演着革命性的角色。通过对海量生物医学数据进行预训练，这类模型能够掌握通用的生物学规律与知识，进而通过高效的迁移学习，在多种下游任务中实现精准且具备上下文理解能力的预测。然而，一个显著的挑战也随之浮现：预训练数据的规模呈指数级增长，驱动模型参数量的扩张，这反过来又大幅提升了模型微调与推理阶段的计算资源需求，构成了一个亟待解决的“扩展性困境”。

为系统探究这一难题，一项前沿研究首先构建了一个超大规模的单细胞转录组数据集——Genecorpus-104M，它囊括了约1.04亿个人类单细胞数据点。基于此数据集，研究人员预训练了一系列参数规模递增的基因基础模型，并首次揭示了转录组掩码学习任务的“缩放定律”。实验得出了一个关键结论：先进的模型量化技术，尤其是4位精度量化，能够在几乎不牺牲模型预测性能的前提下，实现计算成本的大幅压缩。经过量化处理的模型，其微调耗时可降低至全精度模型的15%，内存占用也仅为后者的34%。这为在有限计算资源条件下部署高性能的生物学基础模型，提供了一条高效且实用的技术路径。

主要内容

构建精准的基因调控网络图谱，是识别关键调控因子和发掘潜在治疗靶点的核心基础。传统网络推断方法严重依赖于大量任务特定的转录组数据，这在数据匮乏的场景（例如罕见疾病研究）中往往难以应用。迁移学习范式巧妙地突破了这一限制：首先利用超大规模的通用生物数据集预训练一个具备广泛知识的“通才”模型，随后将其高效适配到众多具体的下游“专才”任务中。

此前，已有研究利用约3000万个单细胞转录组数据，成功预训练出了Geneformer基础模型。而最新的工作则将预训练语料库提升至一个全新的量级——Genecorpus-104M，该数据集涵盖了来自多种人体组织与疾病状态的约1.04亿个细胞。同时，为了匹配现代单细胞测序技术能够检测更多基因的能力，模型的输入基因容量也同步扩展至4096个。

在此基础上，研究团队训练了多个不同参数规模的Geneformer模型变体。实验结果清晰地印证了一条“缩放定律”：参数规模更大的模型，其学习每个数据单元的效能更高，模型整体性能随参数增加呈现幂律式提升。这一规律与自然语言处理等领域的观察高度一致，表明基础模型的性能扩展法则具有跨领域的普适性。

模型规模带来的优势在零样本预测任务中表现得尤为突出。在一系列基因层面的功能预测任务中，参数量最大的模型（3.16亿参数）的表现，全面超越了那些需要依赖大量任务数据进行全量微调的传统方法。这对于那些难以获取足量特定数据的研究领域（如罕见病机制解析）具有极高的应用价值。

当然，大模型也伴随着高昂的计算开销。为破解微调与推理时的资源瓶颈，该研究引入了4位精度的模型量化技术（采用QLoRA方法）。其效果极为显著：

• 效率大幅提升：在相同的批次大小设置下，量化模型的微调时间急剧减少至全精度模型的15%，内存占用也仅需34%。实际上，由于内存压力显著降低，实践中可以采用更大的训练批次，从而进一步缩短总体训练时间。
• 精度近乎无损：尽管计算需求急剧下降，量化模型在基因层面和细胞层面的少样本乃至零样本预测任务中，其准确性与全精度模型几乎保持一致，未出现统计学上的显著差异。
• 知识完整保留：量化操作对模型内部学习到的基因嵌入向量和细胞嵌入向量的影响微乎其微，其向量变化远小于不同细胞类型或基因功能本身所带来的生物学差异。量化后的模型同样能够可靠地用于评估模拟基因敲除实验所引发的嵌入空间扰动。

在细胞层面的分类任务中，最大规模模型的零样本嵌入空间在区分不同组织来源、细胞类型和疾病状态时表现最优。经过少量数据微调后，量化模型在细胞类型分类任务上的预测精度，与全精度模型完全吻合。

在模型推理阶段，量化技术的优势依然明显：量化模型的推理耗时仅为全精度模型的33%，内存占用为53%。

综上所述，模型量化技术堪称一项实现“性能与效率兼得”的关键策略。它在最大限度保留模型所学丰富生物学知识的前提下，显著降低了计算成本与时间消耗，极大地拓展了大规模生物医学基础模型的实际应用边界与可及性，为计算生物学研究提供了强有力的工具。