Evo 2 — глибокий розбір + портфоліо-проєкт (genomic foundation model)

Категорія B (технології). Створено: 23 липня 2026. Поглиблення до каталогу моделей (B18): що таке Evo 2 всередині, що вміє, і покрокова інструкція зробити з неї реальний проєкт для портфоліо bio-AI.

---

TL;DR

• Evo 2 (Arc Institute + NVIDIA, Nature 2026) — найбільша відкрита genomic foundation model: до 40 млрд параметрів, навчена на 9,3 трлн нуклеотидів з усіх доменів життя (бактерії, археї, еукаріоти, фаги).
• Головні суперсили: контекст до 1 млн пар основ, zero-shot передбачення ефекту мутацій (без донавчання) і генерація/дизайн ДНК аж до масштабу хромосом.
• Все відкрите: ваги на HuggingFace, код на GitHub, дані OpenGenome2, вебтул Evo Designer, ліцензія Apache 2.0 → ідеальний матеріал для портфоліо.
• Твій проєкт (нижче): zero-shot передбачення патогенності варіантів гена (канонічно — BRCA1, потім розширюєш на ген довголіття). Показує саме навички Foundation-Model Scientist.

---

Що це таке (простими словами)

Evo 2 — «мовна модель», але замість англійської вона вивчила мову ДНК (літери A, C, G, T) на майже всьому живому. Тому вона «відчуває», яка послідовність «правильна/природна», а яка — ні. З цього випливає магія: якщо мутація робить послідовність «неприродною» для моделі, це сигнал, що вона шкідлива — і це працює без жодного донавчання (zero-shot).

---

Технічна суть

• Архітектура: не чистий трансформер, а StripedHyena 2 — гібрид згорток і уваги (convolutional multi-hybrid). Саме він дає дешевий наддовгий контекст (1 Mb) — критично, бо регуляція генів «розмазана» по геному.
• Дані: OpenGenome2 — 9,3 трлн нуклеотидів, усі домени життя. Одна з причин, чому модель узагальнює краще за вузькоспеціалізовані.
• Токенізація: по одному нуклеотиду (single-base) — тому передбачення «поштучне», з base-resolution.
• Розміри (8 чекпойнтів):

Чекпойнт	Контекст	Нащо
evo2_40b	1M	найсильніший, потребує кількох H100
evo2_20b	1M	компроміс якість/ресурси
evo2_7b	1M	робочий кінь для більшості задач
evo2_7b_262k	262K	коротший контекст, легший
evo2_40b_base / evo2_7b_base	8K	базові (короткий контекст)
evo2_1b_base	8K	для старту/слабкого GPU
evo2_7b_microviridae	—	приклад донавченого варіанта

---

Що вміє (з прикладами)

1. Zero-shot variant effect prediction (VEP). Порівнюємо, наскільки модель «вірить» у референсну vs мутовану послідовність. Офіційний приклад — BRCA1: передбачення патогенності мутацій без навчання, на рівні спеціалізованих методів.
2. Генерація ДНК. Створює правдоподібні послідовності — від генів до цілих бактеріальних/мітохондріальних геномів і хромосомного масштабу.
3. Дизайн із керуванням. З inference-time search проєктує послідовності із заданими рисами (напр. патерни доступності хроматину/епігеному).
4. Ембединги для задач. Внутрішні представлення → класифікатори (напр. екзон/інтрон, регуляторні елементи).
5. Інтерпретованість. Через sparse autoencoders (SAE) видно, що модель «вивчила» біологічні ознаки (мотиви, структура генів).

---

Доступ (усе відкрите)

• HuggingFace: arcinstitute/evo2_7b, arcinstitute/evo2_40b та інші.
• GitHub: ArcInstitute/evo2 — пакет pip install evo2, приклади й ноутбуки (зокрема BRCA1).
• Evo Designer — вебінтерфейс для генерації без коду.
• NVIDIA BioNeMo — Evo 2 як готовий сервіс/NIM (варіант без власного важкого GPU).
• Ліцензія: Apache 2.0 (можна вільно використовувати, зокрема для портфоліо).

---

Чесний реаліті-чек

• Компют важкий: 40B — це кілька H100 і FP8. Для навчання/старту бери 7B (одна потужна карта) або 1B/BioNeMo.
• Прогноз ≠ істина: zero-shot VEP найкраще працює в консервативних/кодуючих ділянках; у складній регуляції гірше. Валідуй метрикою й бейзлайном.
• Не для клініки й персонального геному: це дослідницький інструмент, не діагностика.
• Генерація ≠ робочий організм: «намалювати» геном ≠ жива клітина.

---

🎯 Портфоліо-проєкт: zero-shot передбачення патогенності варіантів

Ідея: взяти ген, для якого відомі «патогенні/доброякісні» мутації (ClinVar), і показати, що ймовірність за Evo 2 розділяє їх — без навчання. Це канонічний, «чесний» проєкт, який одразу видно рекрутеру.

• Рівень: середній (базовий Python + трохи біології).
• Час: 1–2 вихідні.
• Компют: Google Colab (A100) або BioNeMo; старт на evo2_1b_base/evo2_7b.

Кроки

1. Середовище. Colab з GPU або BioNeMo. pip install evo2 (потрібні Linux/WSL2, CUDA 12.1+, flash-attn). Найлегший старт — офіційний ноутбук notebooks/brca1 з репозиторію.
2. Дані. Візьми набір варіантів BRCA1 з мітками (є в офіційному прикладі) — це твій «hello world». Пізніше — витягни варіанти гена довголіття (FOXO3, APOE, KLOTHO) з ClinVar.
3. Скоринг. Для кожного варіанта побудуй вікно референсної послідовності навколо позиції, зроби копію з мутацією (alt) і оціни log-ймовірність обох.
4. Дельта-скор. delta = score(alt) − score(ref). Чим більш негативна дельта, тим імовірніше варіант шкідливий.
5. Оцінка. Порахуй AUROC дельти проти міток ClinVar; побудуй ROC-криву й розподіли. Додай бейзлайн (напр. консервативність/простий скор), щоб показати, що модель кращa.
6. Зроби «своїм». Перенеси пайплайн на ген довголіття — це і оригінальність, і прив’язка до теми проєкту «Біо».
7. Упакуй. Чистий GitHub-репозиторій: README з графіками й числами (AUROC), відтворюваний ноутбук, короткий висновок «що зробив і чого навчився».

Код-скелет (ілюстративно; точний API — в офіційному ноутбуку)

from evo2 import Evo2
import torch

model = Evo2('evo2_7b')          # або 'evo2_1b_base' для слабшого GPU

def seq_loglik(seq):             # середня log-ймовірність послідовності
    ids = model.tokenizer.tokenize(seq)
    x = torch.tensor(ids, dtype=torch.int).unsqueeze(0).to('cuda:0')
    logits, _ = model(x)
    logp = torch.log_softmax(logits.float(), dim=-1)
    tgt  = x[:, 1:]
    lp   = logp[:, :-1].gather(-1, tgt.unsqueeze(-1)).squeeze(-1)
    return lp.mean().item()

delta = seq_loglik(alt_window) - seq_loglik(ref_window)  # < 0 → ймовірно патогенний

Що це доводить роботодавцю

• Вмієш завантажити й запустити genomic FM (не тільки читати про неї).
• Розумієш zero-shot інференс і коректну оцінку (AUROC, бейзлайн, held-out).
• Можеш прив’язати модель до біологічного питання (гени довголіття) — саме це робить Foundation-Model Scientist.

Розширення (якщо хочеш «вау»)

• Ембединг-класифікатор: витягни ембединги (return_embeddings=True, layer_names=[...]) і навчи простий класифікатор екзон/інтрон.
• Генерація: model.generate(prompt_seqs=["ACGT..."], n_tokens=400) — згенеруй і проаналізуй коротку послідовність.
• Інтерпретованість: повтори SAE-аналіз, покажи, які біо-ознаки «вимикаються» на мутації.

---

Ресурси

• Репозиторій і ноутбуки: github.com/ArcInstitute/evo2 (див. notebooks/).
• Ваги: HuggingFace arcinstitute/evo2_7b, evo2_40b.
• Без власного GPU: NVIDIA BioNeMo (Evo2) + офіційний туторіал «Zero-shot BRCA1».
• Генерація без коду: Evo Designer.

Джерела

• Evo 2 — Nature (2026), «Genome modelling and design across all domains of life»: https://www.nature.com/articles/s41586-026-10176-5
• Репозиторій ArcInstitute/evo2 (моделі, API, ноутбуки): https://github.com/ArcInstitute/evo2
• HuggingFace arcinstitute/evo2_7b: https://huggingface.co/arcinstitute/evo2_7b
• Zero-shot BRCA1 variant effect (туторіал), NVIDIA BioNeMo: https://docs.nvidia.com/bionemo-framework/2.5/user-guide/examples/bionemo-evo2/zeroshot_brca1/
• Evo2 у BioNeMo (доступ без власного кластера): https://docs.nvidia.com/bionemo-framework/latest/models/evo2/