生物分子的定向进化 (Directed Evolution) 长期以来被视为一种模拟自然选择的艺术。无论是蛋白质还是核酸，通过迭代筛选获得功能分子的过程，往往意味着数周甚至数月的高强度实验。尤其是对于 RNA 适配体 (RNA Aptamers) 而言，传统的指数富集配体系统进化技术 (SELEX) 虽然经典，却受困于低通量、高耗时以及体外筛选环境与细胞内真实环境的脱节。

然而，人工智能 (Artificial Intelligence) 的介入正在打破这一僵局。《Nature Biotechnology》的研究报道“Single-round evolution of RNA aptamers with GRAPE-LM” ，研究人员提出了一种名为 GRAPE-LM 的生成式 AI 框架。该框架巧妙地结合了基于 Transformer 的条件自编码器 (Conditional Autoencoder) 与核酸语言模型 (Nucleic Acid Language Models)，仅需一轮 CRISPR-Cas 介导的细胞内筛选数据，即可“进化”出性能超越传统多轮筛选的 RNA 适配体。这不仅是方法学的一次革新，更标志着我们将生物分子的“发现”过程转变为“设计”过程迈出了关键一步。 

要理解 GRAPE-LM 的突破性，我们先来看看 RNA 适配体筛选的现状。传统的 SELEX 技术依赖于在试管中进行的结合筛选。这种方法虽然经典，但存在显著的局限性：试管中的理化环境无法还原细胞内复杂的拥挤环境、离子强度以及竞争性分子的存在。这导致许多在体外表现优异的适配体，一旦进入细胞便丧失了功能。

为了解决这一生物学相关性 (Biological Relevance) 的问题，该研究团队此前开发了名为 CRISmers 的基于 CRISPR-Cas 的细胞内适配体筛选系统。CRISmers 利用 CRISPR 系统的靶向能力，将适配体的结合能力转化为细胞内的可读信号（如荧光或测序读数）。然而，即便是 CRISmers 这种先进的系统，依然受限于物理世界的***：转染效率和细胞吞吐量***了初始文库的容量（通常仅为 10⁵ 量级，远低于 SELEX 的 10¹⁴），且依然需要多轮迭代来富集高亲和力序列。

这里存在一个根本性的矛盾：我们渴望探索庞大的序列空间 (Sequence Space)，但物理实验的通量天花板***了我们的视野。GRAPE-LM 的出现，正是为了解决这一矛盾。研究人员不再试图通过多轮实验去“淘金”，而是利用仅一轮实验产生的带有噪声的数据，去训练一个能够理解序列与功能关系的 AI，让 AI 在高维语义空间中“想象”出更好的分子。

更具说服力的是湿实验验证。研究人员构建了由 GRAPE-LM 生成的序列库，并再次投入 CRISmers 系统进行评估。结果显示，对于 CD3ε 靶标，GRAPE-LM 生成库的保留率 (Retention Rate) 是随机库的约 10 倍；对于 RBD 靶标，这一数字更是达到了惊人的 100 倍。这表明 AI 生成的序列并非无意义的乱码，而是富含功能性候选者的高质量文库。

研究人员还将 GRAPE-LM 的生成结果与物理实验的“第二轮”筛选结果进行了对比。令人惊讶的是，通过 AI 在高活性区域采样生成的序列，能够覆盖物理筛选第二轮中 Top 1000 序列的很大一部分，且所需的采样量远小于物理筛选的文库规模。这意味着，GRAPE-LM 仅通过一轮数据的学习，就在数字世界中“预演”了物理世界的进化过程。

DNA提取是分析农作物分子生物学性状的重要步骤，现阶段，常用的DNA提取技术有磁珠法和离心柱法，使用磁珠进行农作物的DNA提取，可以实现高通量、自动化的操作。由于磁珠对核酸的吸附灵敏度高，只需要少量的叶片或其他组织即可得到高得率、高纯度的DNA。吉恩特生物采用自主研发生产的纳米生物磁珠和磁珠法DNA提取试剂盒，可以从各种类型的农作物中提取高质量的核酸，配合核酸提取仪，可以达到快速自动化提取的目的。