百圖生科（BioMap）於 17 日在輝達（NVIDIA）GTC 大會，發表名為 xTrimo 的跨模態生命科學基礎大模型，涵蓋 DNA、RNA、蛋白質、細胞、生物文本與生物系統等七大模態。透過圖形處理器（GPU）加速運算，以 FP8 精度最佳化多專家（MOE）大型模型的訓練，並基於輝達的 Megatron 框架打造專為生命科學領域設計的統一多模態訓練框架。此外，百圖生科建置了結合生物與人工智慧（AI）的分散式推理引擎，大幅提升產業智慧化轉型的速度。
xTrimo 涵蓋 7 種特化模態，應用生醫領域不同任務
百圖生科模型涵蓋 7 種特化模態。（來源：百圖生科）
1. xTrimoDNA：
具有長讀取、長定序技術能夠一次讀取較長的 DNA 片段，有助於解決複雜基因組區域（如重複序列或結構變異）的分析難題，也包含基因組中潛在的、不易被直接觀察到的信息或模式。上限為序列長度 128,000 的鹼基。
2. xTrimoRNA：
具有模擬 RNA 轉錄和分析RNA結構相關功能，可以有效處理非編碼區的解讀任務。
3. xTrimoProtein：
能夠理解和生成單體蛋白的設計，包括蛋白的結構、特性與功能。
4. xTrimoCell：
模擬單細胞基礎模型，擅於處理細胞目標、調控等相關任務。
5. xTrimoChem：
模擬小分子與蛋白之間的交互作用，並且適合小分子藥物設計任務，還可提供視覺化過程供研究人員檢視。
6. xTrimoPPI：
模擬蛋白質與蛋白質的交互作用，可以在藥物設計過程中模擬蛋白質親和力等參數。
7. xTrimoSystem：
整合了 AI 模型和生物數據洞察，支援高通量實驗驗證，適用於基因體學、轉錄體學和蛋白質體學等領域。講者表示該模態適合用於免疫學相關任務。
Bio LLM 比一般大語言模型更需生醫資訊內核
百圖生科橫向比較 BioLLM 與 LLM 相同及相異處。（來源：百圖生科）
演講中百圖生科副總經理 張曉明指出，算力方面，BioMap 的生物大語言模型（Bio LLM）與一般大語言模型要求相同，然而在驗證集、模型、數據與應用方面兩者大不相同。驗證方面，濕實驗室（Wet Lab）驗證過程是必須的，研究人員將計算模型，通過實際生物或化學實驗來驗證其準確性和可靠性。而模型也必須特化成生物機制為主的結構，生物醫學組學資訊更是必須取代一般自然語言文本，成為生物大語言模型的訓練基礎，應用層面上，特化後的模型更適合藥物設計等生醫相關任務。
蛋白設計異構推理流程，應考慮全局速度而非單一環節
當談及異構計算方面，張曉明強調生物 AI 融合異構推理引擎，不能只考慮單點 CPU 或 GPU 速度，全局效率更為重要。以蛋白質設計為例，多序列比對（MSA）、親和力與表現量等多重環節的效率都要全盤考慮，才能建構良好項目流程。
此外，他也強調，AI 生成式模型的精準程度和效率決定後續流程的難易與否，驗證過程更是要考量到是否可以視覺化呈現結果，並且滿足自動化高通量的要求，經過合理的立項探索直至驗證結果，反覆迭代之後方可得到值得信賴的模型，也才能夠在類似高性能蛋白質結構預測的任務中，使小蛋白設計時間從 10.8 年縮短至 13 天。
參考資料：
1.https://register.nvidia.com/flow/nvidia/gtcs25/vap/page/vsessioncatalog?search=S71836&tab.catalogallsessionstab=16566177511100015Kus
2.https://xtrimo.biomap.com/
