OpenGenome2

内容与规模

OpenGenome2 由 Arc Institute 随 Evo 2 发布，总计 8.84 万亿核苷酸。组成：原核 113,379 个基因组约 3,570 亿 nt（含 GTDB 220.0 新增 28,174），真核 15,032 个基因组约 6.98 万亿 nt（约占 79%），宏基因组约 8,540 亿 nt（41,253 个），细胞器 32,240 个基因组 [1][2]。来源包括 GTDB、IMG/PR、IMG/VR、NCBI、Ensembl、RNAcentral [1]。

格式与 license

Apache 2.0（HF 数据页与 GitHub）[1][3]。

哪些模型拿它训练或评测

训练 Evo 2。口径提醒：8.84 万亿 nt 是数据集总量；"9.3 万亿"是 40B 模型的训练 token 数，7B 为 2.4 万亿，二者不能混用 [2]。

已知偏差与泄漏

真核病毒序列因生物安全被排除（对感染真核宿主的病毒无覆盖）[1][2]。真核占 79% 而原核基因组数更多，分布偏向已测序的物种。上游依赖 INSDC（GenBank/ENA/DDBJ）/NCBI / NLM 等库，继承其物种偏向。

来源

1. https://huggingface.co/datasets/arcinstitute/opengenome2 (2026-10-15)
2. https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full (2026-10-15)
3. https://github.com/ArcInstitute/evo2 (2026-10-15)