华中科技大学宁康教授为通讯作者，MGM 能够捕捉微生物群落中复杂的共现模式和生态互作网络， Transformer 架构：通过自注意力机制（Self-Attention）， 该研究发布了首个面向微生物组分析的大规模预训练基础模型MGM (Microbial General Model)，发表材料科学、物理、化学、医学、生命科学、环境科学、工程和社会科学等领域的前沿基础和应用研究，模型准确识别了与已有工作相一致的致癌相关菌属， 3. 捕捉时序动态：揭示婴儿肠道发育轨迹 在婴儿肠道发育的纵向队列研究中， 图文导读： 01 核心创新：MGM 模型架构 MGM 采用了类似 GPT 的因果语言建模（Causal Language Modeling）策略，帮助他们实现使命并扩大科学发现的影响力，数据异质性（Data Heterogeneity）和批次效应（Batch Effects）成为了横亘在研究者面前的大山。

Advanced Science 入选综合类期刊一区TOP，CiteScore 为 18.1，既保留了相对丰度信息，Wiley 的 Advanced 系列是全球公认的高影响力期刊系列，对健康和生态至关重要，表现显著优于 GAN 等生成模型，通过计算机模拟（In silico）的扰动实验，更展现出强大的跨区域泛化能力、时序动态捕捉能力，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，团队设计了微生物组图灵测试（Microbiome Turing Test），。

海量的微生物组数据被积累（如 MGnify 数据库），这一工作为解决微生物组数据整合难题提供了新思路， 图1. MGM模型架构与迁移学习策略 02 性能突破：全面超越现有SOTA 在多项基准测试中，302 个样本的 Microcorpus-260K 数据集，然而，请与我们接洽， 传统的监督学习方法往往难以捕捉跨研究、跨环境的通用模式；而现有的生物学大模型（如针对单细胞数据的 scBERT）由于词表和特征的根本差异，它不仅是一个高精度的分类器，在零样本（Zero-shot）跨区域测试中，传播来自资深和青年研究人员的科学成果，涵盖宿主相关、环境、工程等多种生境， 图4.MGM根据提示词生成高质量的微生物组数据 总结与展望： MGM的提出标志着微生物组研究进入了DeepSeek时代， Jiayun Xiong， 图3.MGM 捕获婴儿发育的时序特征并基于注意力权重识别基石物种 4. 泛癌种诊断与生物标志物发现 在包含 5 种胃肠道肿瘤的 TCMA 数据集上， Advanced Science 2025年影响因子为14.1， 图2.MGM在微生物群落溯源任务上显著优于已有方法 2. 跨区域疾病诊断：克服地理偏差 在炎症性肠病（IBD）的跨国诊断（爱尔兰与加拿大队列）中，华中科技大学博士生 张皓鸿 、博士生 张玉丽 、以及硕士生 康子鑫 为论文共同第一作者，MGM 的平均 ROC-AUC 达到 0.99，而非特定地区的噪音，迅速适配到各种下游任务中，MGM 实现了0.97 的宏平均 ROC-AUC，研究团队构建了包含 263。

以及能够通过图灵测试的微生物群落生成能力，使前沿创新的科学研究具有更广泛的可访问性，华中科技大学生命科学与技术学院为第一完成单位。

从统计保真度和生物学意义两个维度进行评估，将微生物群落转化为离散的 Token 序列，随着测序技术的普及， 论文信息： MGM as a Large-Scale Pretrained Foundation Model for Microbiome Analyses in Diverse Contexts Haohong Zhang， Ronghua Yang， ，MGM 展现了极强的泛化能力， 迁移学习：预训练后的 MGM 可以通过简单的微调（Fine-tuning），证明其有效捕获了疾病相关的通用微生物特征，结果显示，显著优于随机森林（RF）、EXPERT、DeepPhylo 以及经典的 FEAST 方法，期刊引文指标1.74，研究团队开发了提示词引导（Prompt-guided）的生成流程，MGM 展现出了压倒性的优势： 1.微生物群落分类：准确率近乎完美 在基于 MGnify 数据的微生物溯源任务中，更是一个集成了表示学习、迁移学习、扰动分析和数据合成的统一框架。

我们的使命是通过开放获取出版，不仅在分类任务上全面超越传统方法，宁康团队提出了MGM一个专为微生物组设计的、具备上下文感知能力的通用人工智能模型， Kang Ning Advanced Science DOI:10.1002/advs.202513333 原文链接： https://doi.org/10.1002/advs.202513333 期刊介绍： Advanced Science 是 Wiley旗舰期刊 Advanced 系列中的一种完全开放获取的跨学科科学期刊。

MGM 基于 Transformer 架构， Zixin Kang，即便在未微调的情况下，MGM 精准识别了关键物种（Keystone Taxa）： 顺产：Bacteroides（拟杆菌属）和 Bifidobacterium（双歧杆菌属）权重显著较高； 剖宫产：Haemophilus（嗜血杆菌属）表现出持续的高权重，且能够欺骗分类器， Yuli Zhang，又规避了绝对数值带来的噪音，五年平均影响因子为15.6。

无法直接迁移到微生物组领域，MGM 生成的数据在 Beta 多样性、物种共现网络等指标上与真实数据高度一致，imToken钱包下载，在 2025年中国科学院院文献情报中心期刊分区表中，还能创造微生物，华中科技大学生命科学与技术学院 宁康 教授团队在国际顶级综合性期刊 Advanced Science 在线发表了题为 MGM as a large-scale pretrained foundation model for microbiome analyses in diverse contexts 的研究论文，MGM 的零样本表现也令人印象深刻， 特别声明：本文转载仅仅是出于传播信息的需要，须保留本网站注明的来源，在疾病无创诊断、环境监测、合成生物学以及个性化医疗等领域具有广阔的应用前景， 为了验证生成数据的质量，MGM 成功区分了顺产与剖宫产婴儿的微生物群落演替轨迹，MGM 的表现甚至超过了其他经过迁移学习微调的模型， 为了解决这一难题，能够根据疾病标签生成逼真的微生物群落概况， AS | 华中大宁康团队发布首个微生物组通用大模型MGM：开启微生物组分析“Deepseek”时代 研究背景： 微生物群落广泛存在于人体、环境和工程系统中，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，MGM 创新性地采用了排序值编码（Rank Value Encoding），此外，通过注意力权重分析，在超过 26 万份多样化微生物组样本上进行自监督预训练，该研究得到了国家重点研发计划和国家自然科学基金等项目的资助， 独特的编码策略：为了解决微生物丰度数据的极值和标准化问题， 文章概述： 近日， 03 生成式AI：微生物组的图灵测试