知识卡片：生物基础模型

一句话结论

《Nature Methods》2026年11月刊载的这篇评论短文将“基础模型”界定为：先在大规模广谱数据上训练以学习通用模式、再适配到多种下游任务的模型，并将其置于生物学语境下讨论（正文细节需订阅获取，待核实）。

事件概述或研究问题

• 文章为“AI bytes”栏目下的一篇短文（第23卷，2116–2117页），作者为斯坦福大学生物工程系的 Zijian Ma 与生物医学数据科学系的 James Zou（通讯作者）。
• 研究问题可概括为：基础模型这一范式如何应用于生物学数据与任务（具体论述因全文付费而无法确认，待核实）。
• 文章配有图1“Anatomy of a foundation model”（基础模型的解剖），图示细节待核实。

方法/产品要点

• 基础模型的通用定义（可由摘要确认）：在广泛数据体上训练以学习通用模式，随后可适配到许多任务。
• 文中引用的代表性工作涉及蛋白质/生物序列表征（Rives 等，PNAS 2021）、细胞与分子表征（Lin 等，Science 2023）、生物影像分割（Archit 等，Nat. Methods 2025）、单细胞数据分析（Ahlmann-Eltze 等，Nat. Methods 2025）、生物基础模型评估（Boiarsky 等，Nat. Mach. Intell. 2024）、医学基础模型（Moor 等，Nature 2023）以及生物基础模型的基准测试（Simon、Swanson 与 Zou，Nat. Methods 2024）。
• 上述引用清单可反映文章讨论覆盖面较广（序列、影像、单细胞、医学），但各文献在文中的具体论点待核实。

主要结果或产业意义

• 本文属观点/评论类文章，未提出新的实验结果（据可获取的摘要与元数据判断，待核实）。
• 产业意义在于：以“通用预训练＋多任务适配”作为生物学建模的统一叙事框架，呼应生物数据（序列、结构、影像、组学）规模化积累后对通用模型的需求。

为什么重要

• 将基础模型概念系统引入生物学方法学语境，有助于把分散在蛋白质、单细胞、影像、医学等子领域的建模工作纳入同一分析框架。
• 与已有卡片脉络的关系：本卡片是概念界定与综述性定位；RMISC（时间序列语料库）、MedPMC（医学多模态数据框架）、ViCo3D（视觉基础模型用于LiDAR检测）分别提供具体数据/任务层面的实例，本卡片为其提供上位概念背景，而非同一事实的重复。

局限与不确定性

• 全文为订阅内容，仅获取到标题、摘要句、作者信息、图表标题与参考文献列表；文章的具体论点、分类体系、图1内容与结论均待核实。
• 无法确认文中是否给出生物基础模型的分类、评估标准或局限性讨论。
• 参考文献在文中的引用语境（支持或批评）待核实。

可用于图书/PPT/简报的角度

• 用“Anatomy of a foundation model”作为讲解基础模型构成要素的引入图（需获取原图授权）。
• 以“预训练—适配”两阶段范式串联生物学不同数据模态（序列、影像、单细胞、医学）的案例。
• 以引用文献时间线（2021–2025）展示生物基础模型从表征学习到系统评估的演进脉络。
• 作为“基础模型进入各学科方法学”系列中的生物学篇，与时间序列、医学多模态等卡片并列呈现。

原始材料

• 标题：Biological foundation models
• 作者：Zijian Ma, James Zou
• 期刊：Nature Methods, volume 23, pages 2116–2117 (2026)
• 出版日期：2026年11月5日
• DOI：https://doi.org/10.1038/s41592-026-03269-6
• 摘要句：A foundation model is trained on a broad body of data to learn general patterns and can then be adapted to many tasks.
• 关键词（英文）：foundation model, biological foundation models, computational biology, machine learning