精读｜基因组不是蓝图，而是一个生成模型：读《The Genomic Code》

论文：The Genomic Code: The genome instantiates a generative model of the organism（《基因组编码：基因组实例化了一个生物体的生成模型》）

作者：Kevin J. Mitchell（都柏林圣三一学院，遗传学与神经科学）、Nick Cheney（佛蒙特大学，计算机科学）

发表：arXiv 2407.15908，2024 年 7 月首发，2025 年 1 月修订；2025 年发表于《Trends in Genetics》。原文：arxiv.org/abs/2407.15908

说明：这是一份中文精读笔记，按原文结构梳理论点，并夹带少量我自己的理解，不是全文翻译。引用的原文都标了出处，细节以原文为准。

一句话

基因组不是生物体的蓝图，也不是一段程序，而更像 AI 里的生成模型：进化负责”压缩”，把一个物种的形态规律压进一串 DNA；发育负责”解压”，从一个受精卵重新生成一个同类的新个体。

一、问题：基因组到底怎么”编码”一个生物体？

猫生猫，狗生狗。可每只小猫都是从一个没有分化的受精卵长起来的，父母的形态并没有被直接传下去，而是在每个新个体身上重新”造”了一遍。那么，受精卵里的遗传物质到底以什么方式携带了”该长成一只猫”的信息？作者把这个问题叫作”基因组编码”（genomic code），以区别于六十年代破译的”遗传密码”（genetic code，DNA 三联体对应氨基酸）。

历史上人们用过好几个比喻来回答这个问题，作者逐一检讨：

比喻	它说对了什么	它的问题
蓝图	基因组里有关于最终形态的信息	蓝图和成品一一对应，近乎”预成论”；只画结果，不讲怎么造；太确定，解释不了同卵个体之间的差异
程序	强调信息只能通过发育过程逐步实现（1961 年 Mayr、Jacob 与 Monod 分别提出）	让人联想到一行行清晰、可读、按顺序执行的指令，同样暗示一一对应和决定论，而这两点都不成立
菜谱	基因组只需设好条件，剩下交给化学和物理去”烤”，所以结果总有差异，更有机	好理解，但给不出具体的机制
资源（发育系统理论）	基因组只是发育可调用的众多资源之一，不享有特权	太模糊

作者的判断是：这些比喻都没法被形式化，没法用来建模真实的发育过程，也回答不了几个关键问题：基因组里的信息”是关于什么的”？它的”数据格式”是什么？发育怎么把它解码出来？基因型的差异怎么变成表型的差异？

二、新比喻：变分自编码器（VAE）

自编码器是一种神经网络，分成两半：

• 编码器：把输入数据一层层压缩，层越来越窄，最后挤过一个”瓶颈层”。
• 瓶颈层：信息容量极小，逼着网络只保留最本质的统计规律，比如”马之为马”的那些抽象特征。这里存的东西叫”潜变量”（latent variables），它们和图像上的具体特征通常没有一一对应关系。
• 解码器：反过来，把潜变量逐层展开，生成一张新的、像马但不是任何一张训练图的图片。

“变分”的意思是：潜变量存的不是一个确定的数，而是一个概率分布，解码时从里面随机采样。所以每次生成的结果细节都不一样，但都属于同一类。

作者的对应关系是：

变分自编码器	生物体
训练数据（大量马的图片）	一个物种在漫长历史里经受的环境检验
编码器 / 训练算法	进化
瓶颈层的潜变量	基因组（DNA 序列）
解码器	发育过程（细胞们）
生成的新图片	一个新的个体
从分布中随机采样	分子过程本身的噪声

为什么说基因组是”瓶颈”？因为一个成年动物的三维结构不可能被直接复制，所有信息必须被压缩进一个细胞、一套遗传物质里。从数学上说，基因组的信息量根本不够把每个细胞的数量、位置、类型都写下来。它写的不是终点，而是一套约束发育过程如何展开的规则，而且是间接、分布式、非线性的。

三、潜变量到底是什么：DNA 里只编码了”亲和力”

基因组最显眼的内容是蛋白质序列，这部分是线性、直接的，一个基因确实像一个蛋白质的”蓝图”。但光有蛋白质序列解释不了形态。同样重要（也许更重要）的是”什么时候、在哪里、表达多少”，这部分不是一本密码本，而是一个带有组合逻辑、依赖上下文的动态控制系统。

作者的一个关键观察：DNA 化学上极其惰性，它唯一直接编码的东西，是不同分子之间的结合亲和力。转录因子跟哪段 DNA 结合得紧、调控 RNA 跟哪段序列配对，这些亲和力合在一起，决定了哪些基因在胚胎的哪个部位、以什么水平表达。

所以潜变量就是 DNA 核苷酸本身：一部分编码干活的蛋白质和 RNA（包括调控因子），一部分是这些调控因子的结合位点。潜变量天生是”关系型”的，它存在于一段 DNA 编码的因子和另一段 DNA 上的位点之间的配对关系里。它们之所以”潜”，是因为和最终形态之间隔着极其遥远、非线性的路径。

作者也承认，生成模型有很多层”潜在表征”，生物体也可能在多个抽象层级上被表征（比如 DNA 里的序列模体，而不是单个碱基）。把瓶颈层对应到核苷酸，是为了突出”存储”和”压缩”。

四、解码器：发育要边走边造自己的解码器

在 VAE 里，解码器是固定的一组网络层。生物发育和它最大的不同在于：发育必须一边解码，一边把解码器造出来，而且一遍又一遍地造，同时还会改写模型本身。

• 受精卵的染色体不是裸 DNA，而是包装成染色质，有的结合位点开放、有的关闭，这已经改变了潜变量的格局。
• 受精卵还继承了一批来自母体的蛋白质，它们就是最初的”解码器”。而这些蛋白质本身，又是上一代基因组序列决定的。
• 每一次细胞分裂、每生成一种新细胞类型，起始条件和解码器配置都会变，决定了这个新细胞里模型的哪部分被激活。

作者因此提出一个有意思的类比：发育中细胞类型的时间序列，可能就相当于深度网络里的”层”，每一步处理潜变量空间里的数据，再把结果传给下一步。基因组以”多路复用”的方式同时编码了很多套模型和配套的解码器，不同的细胞类型在不同时间由不同的蛋白质来读取，所以互不干扰。

还有一点很重要：形态的形成依赖大量基因组没有编码、也不需要编码的物理过程，比如蛋白质折叠、细胞骨架力学、黏附力、膜张力、组织的自组织。基因组可以把物理和化学当作”既定条件”，它只需编码一组约束，把这些过程引导到特定的轨道上。

五、基因调控网络、吸引子和能量地形

从逻辑门到连接主义网络

基因调控网络可以画成图：节点是基因，边是激活或抑制。早期人们把基因的调控元件看作逻辑门，经典例子是大肠杆菌的乳糖操纵子（没葡萄糖、且有乳糖时才转录）。但作者指出，乳糖操纵子是个例外，它几乎是开/关二值的。大多数基因调控是连续的、有噪声的、随时间变化的；同一个蛋白质在胚胎不同部位被反复调用、组合使用。网络一大，就不能再当成一堆逻辑门，而要当成连接主义网络（类似神经网络，权重由亲和力决定）和动力系统：系统会倾向于落入若干稳定的”吸引子状态”，并沿着相对固定的轨迹穿过状态空间。

Waddington 的地形，可能”在形式上就是对的”

1957 年，Conrad Waddington 画了著名的”表观遗传地形”：细胞是一颗球，沿着有山谷的坡面滚下来，最终落进某个山谷，也就是某种细胞命运。山谷越深，落进去的概率越大；在入口处坡面还很平时，一点噪声就能把球推向这边或那边。所以单个细胞的命运不完全确定，但大量细胞的统计结果是确定的。

很少有人注意到这幅图的另一半：地形下面是一张帆布，被一套木桩和拉绳往下拽。每根木桩是一个基因，许多基因拉同一个点，一个基因也拉很多个点，合力决定了地形的形状。

作者说，这些木桩和拉绳就是模型的潜变量。它们与结果的关系是组合的、非线性的、非一一对应的、间接的。系统并没有被强制进入某个状态，只是被设置成某种形状，从而约束它的自组织过程。换句话说，基因规定的更多是”系统不能去哪儿”。

关键一步在于：生成模型在数学上恰好就会生成这样的”能量地形”，解码时把输出约束到能量最低（重建误差最小）的位置。而且这种地形通常是平滑连续的，邻近的点特征相似。所以作者认为，Waddington 的图不只是卡通，可能在形式上就是正确的。平滑的地形也意味着，性状可以通过地形形状的微调而平滑地演化。

作者特意区分了两种地形：生成模型的能量地形描述”发育会把系统引向哪些状态”（发育偏好）；进化生物学的适应度地形描述”哪种表型在当前环境里活得更好”。两者一起决定进化如何作用于生成模型本身。

六、编码器：进化就是一种学习

把基因组看成连接主义网络，权重由亲和力决定，那么权重是怎么设定的？答案是进化，它扮演”训练”的角色。”进化是一种学习算法”这个想法并不新，但作者认为它和深度学习的对照越来越深。机制不同（神经网络用反向传播，进化用变异加自然选择），结果都是改变网络权重。

这种学习非常间接：选择只能看到表型在繁殖上的成败，新突变或有性生殖带来的新组合改变了某些权重，繁殖成功率的差异再反过来改变下一代里这些变异的频率。所以，基因组里的模型是一份关于”生物体形态及其与环境的适配”的历史记录。

压缩从何而来？一是适应本身有代价，二是网络里的”连接成本”。连接成本会自然产生模块化，模块化带来可进化性；如果环境中不同因素各自独立变化，分开适应就是最优的，模块化会被进一步强化。

作者引用 Watson 与 Szathmáry（2016）的观点：把”模型空间”和”特征空间”分开，能让学到的模型生成具有相似结构规律的新样本，还能通过改变解的表示方式或降低问题维度来提升优化能力。对进化来说，这正是间接编码比直接编码更稳健、更可进化的原因。

一个重要的差异：机器学习里每个模型都从随机权重开始，用大量数据重新训练；生物里，编码工作由进化跨越漫长时间、在整个谱系中完成，每个新个体直接继承压缩好的模型（基因组），只负责解码。进化唯一能”看见”的，只有解码的结果。

七、这个类比能多解释什么

作者认为检验一个类比好不好，要看它能不能”产出比投入更多的东西”。生成模型有六个相互关联的性质：

• 通过瓶颈层压缩；
• 在潜变量空间里编码；
• 抽象、间接的表征；
• 输出天然有变异；
• 稳健性；
• 可进化性。

几个要点：

• 噪声是特性，不是 bug。 VAE 的随机性来自”把潜变量表示成分布”；生物的随机性来自解码过程本身，也就是分子过程的噪声。这种噪声不只是被容忍，而是系统必不可少的一部分。
• 稳健性像”去噪自编码器”。 去噪自编码器能把一张满是雪花点的图恢复干净。发育系统也一样：解码器时刻面对噪声，仍要稳定地产出落在合格范围内的结果。吸引子网络能从一个”像某个记忆”的初始状态恢复出那个记忆。
• 稳健反而带来可进化性。 如果一点参数变化都不能容忍，就不可能有任何改变。正因为很多 DNA 变化被系统”吸收”了，遗传变异才能在种群里悄悄积累，再加上有性生殖的重组，就成了进化可以选择的原材料。

八、涌现的模块化与”解耦表征”

这是我觉得全文最漂亮的一节，它回答了一个困扰数量遗传学的难题。

现实中的遗传结构是这样的：

• 多基因：大多数性状受成千上万个微小效应的变异影响，甚至是”全基因”的。
• 多效性：一个变异往往同时和多个性状有关。
• 上位效应：一个变异的作用取决于其他变异是否存在，是非线性的。

那么问题来了：如果每个基因都牵动很多性状，每个性状又被很多基因牵动，选择怎么可能只改变一个性状而不牵连其他？看起来应该是”牵一发而动全身”的死锁。

生成式 AI 给了答案：分布式、非线性的编码并不意味着死锁。在很多人脸生成模型里，可以独立调节性别、年龄、胡子、表情、是否戴眼镜，因为这些特征在潜变量空间里落在相互正交的低维子空间上。单个潜变量不对应任何具体特征，但某些变量组合可以，作者称之为”涌现的模块化”。神经科学里的”解耦表征””神经流形””通信子空间”是同一类现象，而且在任务各自独立变化的条件下更容易出现。

动植物育种早就验证了这一点：你可以通过选育让某个数量性状增加或减少，同时不改变其他性状的平均值。用机器学习的话说，不同性状在潜变量空间里是正交的，你可以沿一个方向推，而不影响其他方向。

九、同一个基因组，不同的吸引子

生成模型框架也能自然容纳”表型可塑性”：同一个基因组，在不同环境下生成不同形态。比如有些爬行动物的性别由孵化温度决定，蚂蚁、蜜蜂等社会性昆虫能从同一套基因组里分化出工蜂、兵蚁、蚁后。这相当于生成模型以多路复用的方式编码了几种可能的形态，最终长成哪种取决于环境。

更进一步，非线性的能量地形在特殊条件下还可能露出平时潜伏着、从未被训练过的”新吸引子”，把系统拉到远离常态的地方。癌症是分子层面一个负面的例子，在整个机体形态的层面也可能存在类似的新吸引子。作者指出，这类质变的新表型，用蓝图或程序的观念很难解释。

十、可以形式化：从单细胞数据到人工生命

作者强调，这个框架最大的优势是可以被形式化。Waddington 的地形之所以长期停留在比喻层面，是因为过去的发育生物学只能一次操作一个基因。现在有了单细胞水平测量全基因组表达的技术，以及相应的计算工具，地形可以被量化了。已经有研究用聚类、降维、深度学习乃至 VAE 去从单细胞数据里推断调控网络和细胞命运转变。

作者的主张比”VAE 是好用的分析工具”更进一步：生成式的连接主义方法，反映了这些调控网络之所以形成的根本原理。

对人工生命领域的启示：目前大多数人工生命的”基因组→形态”映射规则是实验者手工预先设定的。把人工基因组看成深度网络里的潜变量向量，就可以用机器学习去同时寻找好的编码器和解码器。不过作者提醒：真实生物的基因组并不编码物理规律，它只是约束物理。所以任何虚拟世界里的人工生命，都需要一套”虚拟物理”作为基础。

十一、作者自己划的边界

• 生物学史上反复出现”拿最新技术当比喻”的教训（比如把大脑比作电报网、计算机），作者对此是自觉的。
• 他们不是说基因组就是一个 VAE，而是说两者共享某些抽象原理。甚至可以反过来说：人类工程师独立地”重新发现”了与基因组表征形态相似的学习架构。
• 选 VAE 只是为了让类比具体，用生成对抗网络（GAN）、神经元胞自动机（Neural Cellular Automata）等做类比也可以。
• 类比的局限主要在两处：模型是怎么获得的（进化而非梯度下降），以及编码模型的网络架构。
• 按发育系统理论的思路，更准确的说法可能是”基因组加受精卵一起构成生成模型，基因组本身只是其中的压缩表征”。无论哪种说法，基因组的角色都是独特的。
• 最后一个坦白：这个类比赢了精确，输了通俗。”生成模型”对公众是个陌生词，要讲清楚需要大量解释。但也许生命最深的谜题之一，本来就无法用一个简单熟悉的词装下。

十二、论文留下的开放问题（节选）

• 生成模型的”数据格式”是什么？哪些物理元素和关系构成了潜变量？
• 进化的学习方式和反向传播有何不同？”功劳分配”问题是怎么解决的？
• 调控网络内部是否有分层结构来逐步解码？还是逐步解码是通过胚胎的一次次细胞分裂实现的？
• 生物材料的自组织物理到底承担了多少”重活”？基因组变量又如何约束它们？
• 噪声有多重要？是特性还是缺陷？
• 什么样的环境压力会促使压缩和解耦表征出现？
• 这种间接、分布式的编码，怎样在计算机里实现为人工生命？

读后：几点我自己的理解

1. 从”指令”到”约束”。 全文最核心的转向，是把基因组从”主动驱动发育的指令”改成”约束自组织过程的条件”。基因不说”去做什么”，更多是在说”不能去哪儿”。这个视角对理解很多复杂系统都有用：好的组织、好的产品架构，往往也不是写死每一步，而是塑造地形，让系统自己滚到想要的山谷里。

2. 压缩即理解。 VAE 能生成新样本，前提是它被迫用极少的容量抓住”马之为马”的本质。基因组也一样：它装不下一只猫的全部细节，所以只能存”猫性”。这和”真正理解一件事，是能用最短的描述重新生成它”是同一个道理。

3. 稳健与可进化不矛盾。 一个能容忍大量微小变化的系统，才可能悄悄积累变化、最终发生跃迁。对个人成长也一样：太刚性的系统不会犯错，也不会进化。

4. 对”数字生命”的启发。 如果一个人的十几年语料是”训练数据”，那么我们想留下的，也许不该是一份事无巨细的”蓝图式档案”，而是一组能重新生成”这个人会怎么想”的潜变量，再加上一个合适的解码器。论文的提醒同样适用：生物的基因组依赖真实世界的物理，数字生命的”基因组”也需要一个能让它展开的环境。

原文与延伸

• 原文（arXiv，免费全文）：arxiv.org/abs/2407.15908
• 圣三一学院新闻稿（2025）：Unlocking nature’s code
• MIT Technology Review 报道（2024）：The genome is like generative AI
• 延伸阅读：Waddington《The Strategy of the Genes》（1957）；Watson & Szathmáry《How Can Evolution Learn?》（2016）；Kevin Mitchell《Innate》（2018）

（本文为精读笔记，由 AI 协助整理。论文版权归原作者所有。）