COMPASS 是什麼？Arc 用基因語言模型整理微生物非編碼 DNA，AI 找到的候選如何驗證
Arc Institute 以 Evo-PIN 建立 COMPASS 微生物非編碼 DNA 地圖，解析序列群集、AI 代理查詢、預印本與實驗驗證限制。
COMPASS 是 Arc Institute 研究團隊建立的資料庫，使用基因語言模型整理微生物基因之間的 DNA 序列。它希望幫研究者找到傳統方法不容易辨認、但可能具有功能的 RNA 候選。
基因組不只有能製造蛋白質的部分。基因之間也有大量序列，其中一些會形成 RNA，參與調節基因或其他生物機制，但許多序列的用途仍不清楚。
Arc Institute 在 2026 年 10 月 22 日的官方貼文介紹 COMPASS 與相關預印本。研究使用針對細菌及古菌基因間序列調整的模型，整理約三億七千六百萬段序列。
研究團隊把相近的候選序列組成群集，並提供網頁與供 AI 代理查詢的介面。研究者可以結合結構預測、附近基因與其他資料，挑選值得後續實驗的候選。
這些結果主要是計算分析與研究候選，不能直接寫成已經證明每段 DNA 的功能，也不能推論人類疾病已有新的診斷或治療方法。預印本尚需研究社群進一步審閱與驗證。
對關心 AI 科學研究的人來說，最值得理解的是模型如何協助縮小搜尋範圍，以及研究者還需要哪些實驗，才能把候選變成可靠的生物知識。
COMPASS 想解決什麼問題？
生物的基因組可以想成一套以 DNA 序列保存資訊的系統。部分序列包含製造蛋白質所需的資訊，其他不直接編碼蛋白質的區域，過去常因功能不明而難以分析。
這不代表非編碼區域沒有作用。有些區域會產生 RNA，協助調節基因或參與其他生物過程。研究者希望從大量序列中，找出可能具有結構與功能的候選。
困難在於，兩段序列即使文字排列差異很大，最後形成的 RNA 結構或功能仍可能相似。若只用直接比對字母的方法，某些關聯可能不容易被找到。
Arc Institute 的 Hsu 實驗室因此建立 COMPASS。官方說，團隊把三億七千六百萬段基因間序列整理成可搜尋的群集，再結合預測結構和附近基因，提供研究的起點。
這些資料主要來自細菌、古菌及微生物環境資料。細菌和古菌屬於原核生物，本文所述資料庫不能直接當成人類基因組的完整地圖。
Much of the functional biology encoded in genomes remains hidden in noncoding DNA.
— Arc Institute (@arcinstitute) October 22, 2026
In a preprint out today, @pdhsu and team introduce COMPASS, a genomic language model-based approach to systematically map this underexplored sequence space. pic.twitter.com/mpC2OG8YyA
Evo-PIN 是什麼？為什麼需要基因語言模型？
語言模型通常根據資料中的模式預測接下來可能出現的內容。基因語言模型處理的是 DNA 序列，而不是一般人類語言，希望從大量序列中學到與生物結構相關的模式。
團隊以既有的 Evo 2 為基礎，針對原核生物基因間序列進一步訓練，稱這個版本為 Evo-PIN。官方表示，模型能協助辨認序列相似度較低、但仍可能相關的區域。
把模型結果想成篩選線索比較容易理解。面對數以億計的序列，研究者不可能逐一先做完整實驗，模型可以幫忙整理優先順序，讓人再結合其他證據。
這與替某段序列貼上已證實功能標籤是兩件事。模型的相似性或結構預測可能有誤，也可能受到訓練資料、物種覆蓋與計算方法影響，需要其他方法檢查。
為什麼還要看附近基因？
同一段序列出現在哪個基因附近，可能為研究者提供線索。若許多相近的候選都位於某類基因附近，團隊可以提出可測試的假設，看看它們是否存在某種關係。
但位置接近不代表已經證明兩者有因果關係。附近基因可能只是共同出現在同一區域，也可能存在其他尚未辨認的因素。要確認功能，仍需要設計實驗。
COMPASS 把候選序列、預測結構和附近基因等資訊放在同一套資料中，讓研究者可以先比較不同線索，再決定是否投入更高成本的工作。
三億多段序列與五百多萬群集有什麼差別？
官方指出，COMPASS 使用約三億七千六百萬段基因間序列，來源包括超過十四萬個微生物基因組及大型環境樣本資料。這些數字描述被整理的資料規模。
團隊再把序列分成五百多萬個群集。群集是依分析方法歸在一起的一組候選序列，並不等於五百多萬個已經被實驗證實的新基因或新功能。
資料庫網頁展示其中超過二十五萬個精選群集。官方代理介面則可查詢完整資料庫及精選範圍。兩個範圍提供的欄位與資料完整度不同，不能把網頁數量當成全部群集數。
官方文件列出一個資料版本：完整範圍約 513 萬個群集，精選範圍約 25.5 萬個。版本更新後數字可能改變，研究使用時應記錄實際查詢的資料版本。
多數完整群集並沒有進入網頁的精選資料表，因此某些結構或註解欄位可能沒有值。欄位空白不代表該序列一定沒有功能，也不代表資料系統已經替它完成實驗驗證。
RNA 候選、預測結構與已知功能要怎麼分？
DNA 可以作為產生 RNA 的模板。某些 RNA 除了傳遞資訊，還可能因折疊出的結構參與調節或其他生物過程。研究者因此會觀察序列和可能形成的結構。
COMPASS 提供的結構資料，能幫助研究者比較一組候選是否有共同特徵。若某些序列文字差異很大，預測出的結構卻相似，就可能值得進一步研究。
但「預測結構相似」不是直接證明它們具有相同功能。模型可能把不相關的候選歸在一起，也可能漏掉不符合目前方法的例子。這就是研究者還要回到原始資料與實驗的原因。
例如，一個候選出現在某類微生物中，並且常靠近特定基因，研究者可以提出它可能和該基因相關的假設。下一步仍要檢查是否真的產生 RNA，以及改變它會帶來什麼影響。
這些工作可能需要不同實驗條件、細胞與對照組。單靠資料庫中的圖像或 AI 摘要，無法確定候選在生物體內實際扮演什麼角色。
AI 代理如何協助搜尋 COMPASS？
官方提供網頁瀏覽和 Model Context Protocol，簡稱 MCP，供相容的 AI 工具查詢資料。MCP 可以理解成應用程式連接外部資料或工具的一種方式。
研究者可以提出具體問題，例如尋找某類微生物中、附近帶有特定基因的群集。代理再透過查詢介面取得候選資料，協助整理結果，而不是自行創造新的實驗證據。
Arc 官方貼文表示，團隊使用代理協助分析與調查生物假設，並由研究者引導。代理可以幫忙瀏覽大量資料，但研究問題、篩選標準與結果判斷仍需要專業審查。
官方文件對資料範圍有清楚區分。查詢完整資料庫時，許多群集缺少精選表中的欄位。只查精選資料時，則不能假設搜尋涵蓋所有候選。
代理回傳結果後，研究者應保存查詢條件、資料版本及群集編號。若只保存一段自然語言摘要，後續很難確認資料是從哪個版本取得，也無法重現篩選方式。
網頁與代理連線的使用條件不同
官方說明，一般瀏覽資料庫網頁不需要帳號。使用 MCP 介面則需要登入。這兩種入口的權限和可查詢範圍不同，實際使用時應查看官方當前說明。
介面也對查詢次數、回傳筆數及執行時間設有限制。這些限制可能隨服務調整，因此大量查詢前應確認文件，並避免把一次回傳結果誤當成資料庫中的全部資料。
系統可能記錄登入和工具呼叫資訊。研究團隊若處理敏感問題或內部研究計畫，應先檢查服務的資料使用政策，再決定哪些查詢適合送到外部系統。
預印本和官方展示，能證明多少？
Arc Institute 介紹的 COMPASS 伴隨一篇生物學預印本。預印本是研究者在正式期刊審查完成前公開的研究稿，能讓其他人提早檢視方法與結果，但內容仍可能修改。
官方貼文提到候選的核糖開關、核酶及與 PhoH2 相關的 RNA。這些是研究者依序列、結構與基因位置提出的研究方向，不代表每個候選的機制都已經由實驗完整確認。
核糖開關通常指能因特定分子而改變 RNA 狀態、進而影響基因表現的調節機制。核酶則是能參與化學反應的 RNA。名稱描述可能的類別，是否真的具有該功能仍需驗證。
研究團隊可以先測試候選是否在特定細胞或條件下被轉錄，再設計對照實驗觀察改變序列後的影響。不同候選需要的實驗不同，不能因為資料庫裡有一個群集就跳過這些步驟。
讀者也應分清楚「模型找到可研究的方向」和「證明新的治療方法有效」。這份資料庫是研究資源，官方來源沒有證明它可直接用來診斷病人或治療疾病。
研究者怎麼使用這類 AI 地圖？
第一步，提出範圍明確的生物問題。例如想研究某類微生物、某種附近基因，或一組可能具有相似結構的 RNA，而不是直接要求系統找出所有重要發現。
第二步，確認搜尋範圍與資料版本。精選群集和完整群集包含不同的欄位，研究者需要知道自己的查詢是否排除了缺乏預測結構的資料。
第三步，回查原始序列及相關資料。對每個候選記錄物種、序列位置、附近基因與預測依據，再檢查是否有其他研究已經描述過類似機制。
第四步，讓不同方法交叉檢查。模型給出的關聯可以和其他序列分析、結構預測或公開實驗資料比較。若不同方法得出相反結果，應保留這個差異，而不是只挑支持假設的部分。
第五步，選出可測試的候選並設計對照。研究者要先說明什麼觀察結果會支持假設，什麼結果會推翻它，才能避免實驗完成後只尋找符合預期的解釋。
最後，保存每次查詢及分析版本。資料庫更新、模型改版或篩選門檻改變，都可能影響候選清單。可重現的紀錄，能讓其他研究者檢查結果是否可靠。
如果團隊使用 AI 代理整理結果，也應讓熟悉生物學與資料來源的人抽查查詢。代理可能誤解欄位、忽略缺失值，或把預測標籤誤寫成實驗結果。把原始群集頁面和查詢條件一併保存，有助於在錯誤擴散前發現問題。
同一條線索也可能需要不同領域合作。計算研究者負責檢查資料和模型，生物學研究者評估候選是否合理，實驗人員再設計合適對照。每個環節回答的問題不同，成果需要合併後才能形成更完整的判斷。
COMPASS 的價值在於整理龐大序列並提出可追蹤的線索。對研究者而言，模型能縮小搜尋範圍，真正的生物功能仍需要結合專業判斷與後續實驗。
延伸閱讀：Sakana AI MASS 是什麼？讓模型從代理團隊學習的自我改進研究
延伸閱讀：Meta RankEvolve 是什麼？讓 Claude Code 與 Codex 互查，AI 自動研究更可靠
常見問題
COMPASS 是人類基因組資料庫嗎？
不是。官方介紹的資料主要整理細菌、古菌和微生物環境資料中的基因間序列，不能當成人類基因組的完整地圖。
五百多萬個群集代表發現了五百多萬種新功能嗎？
不是。群集是依分析方法整理的候選序列集合，許多功能與結構仍需後續研究，不能把群集數等同已證實的功能數。
AI 代理找到候選後還需要實驗嗎？
需要。模型和代理能協助整理資料與提出假設，生物功能與作用機制仍需研究者利用適當的資料和實驗驗證。
