从解释到实验：用于解析核苷酸基础模型的代理式 AI 博士奖学金

项目703 · University of East Anglia - Earlham Institute · Qualification Type: PhD

所在国家或地区: 英国
申请截止日期: 2026-07-30（具体时刻请核对原始公告）
资助信息: 面向英国、欧盟和国际学生

申请工作台

保存项目，围绕当前机会准备申请。截止日期和资格请以原始公告为准。

登录后保存项目或使用申请工具

阅读项目调研与申请判断

项目介绍

项目概览

课题由 University of East Anglia 与 Earlham Institute 共同支持，导师为 Dr Ke Li。
研究方向是面向 DNA/RNA 序列基础模型的代理式可解释 AI。
项目希望把“模型为什么这样预测”进一步推进到“如何提出可验证的生物学假设”，并支持后续实验设计。

项目详情

背景是：训练于 DNA 和 RNA 序列的 foundation models 已开始改变基因组学，但其预测往往难以解释。
模型可能识别出调控效应、序列特征或功能元件，但通常难以判断证据来自哪里、解释是否稳定，以及这些解释如何指导新的生物学发现。
本博士项目将在 AI for Bioscience 组的初步工作基础上，开发面向 nucleotide foundation models 的 agentic explainable AI 方法。
具体而言，项目会建立一套计算方法，用来自动选择、应用并评估针对 DNA/RNA 序列模型的解释技术。
核心研究问题是：如何从模型解释出发，生成生物学上有依据、而且可以被实验验证的假设。
学生将比较不同解释方案的质量，评估标准包括与模型行为的一致性、对序列扰动的鲁棒性，以及生物学合理性。
在此基础上，项目会开发知识驱动的推理方法，把显著的核苷酸、motif、基因和调控元件，与生物注释、ontology、知识图谱以及文献证据连接起来。
更长期的目标是形成一个 AI research assistant，帮助研究者回答模型为何作出某一预测、哪些生物机制可能在背后起作用，以及下一步应优先做哪些实验或序列扰动。
项目本身是自洽的，但会利用现有代码、数据集和团队在 foundation models、AI agentic framework、XAI、优化与知识图谱方面的经验。
可应用于调控序列特征解释、RNA motif 解析、基因表达模型，以及其他与 bioscience 相关的 sequence-to-function 任务。
申请者将获得前沿 AI 模型训练、可解释 AI、知识图谱、基因组学与开源科学软件方面的跨学科训练。
项目明确说明：不要求先验生物背景，但需要对跨学科研究有热情，并且具备较强的 AI 和/或计算能力。
项目将依托 Earlham Institute 与 University of East Anglia 的合作研究环境，使用现有代码、数据集和跨学科团队经验推进方法开发。
可见的研究支持包括开放科学软件实践、知识图谱资源、前沿模型训练经验，以及与生物信息学和 AI for Bioscience 相关的研究组合作。
申请者还会在组会、研讨交流和可能的工作坊中持续迭代方法，把解释输出和后续实验优先级连接起来。
实验与计算两端都很重：一端是把解释算法封装成可选择、可比较、可评估的工具链，另一端是把输出映射到基因组注释和知识图谱证据，从而判断哪些解释更值得进一步验证。项目还明确提到会利用现有代码、数据集和 open-source scientific software 的工作方式，这意味着学生需要在可复现和可扩展的研究流程中推进工作，而不是从零搭建所有资源。
这种安排也使得项目不仅关注解释算法本身，还关注这些算法如何真正影响生物学发现流程和实验优先级。
这样的闭环有助于把解释可信度、机制假设和实验优先级放在同一张分析图上讨论。
这种工作方式特别强调可解释性、可验证性与生物学可用性三者之间的平衡。
这能让研究输出更直接地服务于后续实验设计和科学发现。

申请要点

适合背景：AI、计算机科学、数据科学或相关方向，尤其是具备较强计算/建模能力的申请者。
学历要求：至少相当于英国学士二等一荣誉学位，或英国硕士学位。
语言要求：Faculty of Science 等同标准为 IELTS 6.5 总分且各单项 6.0。
资助：由 Earlham Institute 资助 4 年；包含 Home-fee 或 International-fee 学费、按 UKRI rate 发放的年免税生活津贴 £21,805（2026/7），以及每年 £5,000 的研究训练支持经费。
导师：Dr Ke Li。
开始时间：2026 年 10 月 1 日。
申请与材料：通过研究生申请入口提交；项目介绍强调需要具备强 AI/计算技能，但不要求生物学训练。
时间：截止日期为 2026 年 7 月 30 日。

需要进一步确认

输入中的 department 字段显示为 “Qualification Type: PhD”，更像解析噪声；本次保留原字段，不自行修正。
申请入口的完整表单步骤未在输入文本中展开，如有附加要求需正式申请前再核实。

核对原始项目信息

收录来源可能是学校或招聘平台；正式申请入口及最新要求请核对公告与下方报告中的官方来源。

项目深度调研报告

报告生成记录：2026-07-10。生成日期不代表招聘方确认项目仍开放。

资料更新记录：2026-07-10。申请前请再次核对原始公告。

博士项目深度调研报告：从解释到实验，面向核苷酸基础模型的 Agentic AI

执行结论

推荐标签：前景可观，但存在实质不确定性。

这是一个资金条件较好、技术方向也很贴近前沿的博士机会，位于 nucleotide foundation models、explainable AI、agentic research workflows、knowledge grounding 和计算生物学的交叉地带。它的吸引力相对明确：项目说明写明资助期为四年，覆盖本地或国际学费，2026/27 学年的生活津贴为 GBP 21,805；同时，Earlham Institute 提供了较有针对性的数据密集型基因组学研究环境。近期 Ke Li 共同署名的论文，也与 genomic foundation model benchmarking 和 RNA 序列-结构建模高度相关。

主要风险在于导师与注册路径尚未完全核实。项目说明写明 Dr Ke Li，但本轮调研没有找到其当前在 Earlham 或 UEA 的官方人员页面。因而，在正式确认监督团队、机构注册路径、算力资源权限和生物学验证方案之前，更稳妥的判断是：这是一个高潜力机会，但还不能算低风险选择。

学校、项目与地点信号

这个项目最强的信号，来自 Earlham/UEA/Norwich Research Park 这一专门化研究生态，而不是单靠综合大学排名。Earlham 对博士训练环境的说明强调 genomics、computational science、biotechnology、advanced sequencing、bioinformatics、single-cell genomics、lab automation 和跨学科训练，见 Earlham postgraduate studies。其 self-funded PhD 页面还写明，许多学生注册在 UEA，并在更广泛的 Norwich 研究共同体内开展工作，见 Earlham PhD information。

Norwich Research Park Biosciences Doctoral Training Partnership 进一步强化了这一环境信号。它连接 UEA、Earlham Institute、John Innes Centre、Quadram Institute 和 The Sainsbury Laboratory，并将环境定位为多学科 bioscience 训练、placements 和 employability 的结合体，见 NRPDTP。UEA 则提供正式的 postgraduate research 申请入口，并建议申请前确认导师和研究方向，见 UEA PGR application。

排名证据可以参考，但不应成为核心依据。UEA 具备可信的英国研究型大学背景，也与 Norwich Research Park 紧密相连，但这个项目真正的价值在于其专门化的 computational bioscience 环境。申请者应直接查看实时的 QS profile 和 THE profile，确认当前世界和学科排名区间，而不要依赖过时数字。

导师与课题组评估

导师研究方向

项目说明将 Dr Ke Li 列为导师，并提到 AI for Bioscience group 的前期工作。近期 Ke Li 共同署名的论文与该题目高度一致，涵盖 genomic foundation models、RNA sequence-structure alignment、reproducible benchmarking 和 interpretability layers。这说明项目方向在学术上并非空泛设想，而是与已有研究脉络相连。

但需要注意的是，本轮调研没有找到 Dr Ke Li 当前在 Earlham 或 UEA 的官方页面，因此现职、所在团队和 hosting 细节仍属于实质性不确定项。这一点不能忽略，因为它会直接影响监督稳定性、资源归属和项目执行方式。

近期重要论文

OmniGenome: Aligning RNA Sequences with Secondary Structures in Genomic Foundation Models。Heng Yang、Renzhi Chen 与 Ke Li 提出一个结构上下文增强的 RNA foundation model，用于 sequence-structure alignment、RNA design 和 zero-shot structure prediction，见 arXiv。该论文的完整文本版本显示，Ke Li 当时在 University of Exeter 任职，这进一步说明需要核实其当前在 Earlham / UEA 的职位状态，见 HTML full text。
OmniGenBench: Automating Large-scale in-silico Benchmarking for Genomic Foundation Models。Heng Yang、Jack Cole 与 Ke Li 提出一个面向大规模基因组 foundation model benchmarking 的框架，见 arXiv。这对本项目尤其重要，因为该 PhD 关注的不只是生成看似合理的解释，而是评估解释的质量与有效性。
OmniGenBench: A Modular Platform for Reproducible Genomic Foundation Models Benchmarking。Heng Yang、Jack Cole、Yuan Li、Renzhi Chen、Geyong Min 与 Ke Li 将 benchmarking 扩展为覆盖 data、model、benchmark 和 interpretability layers 的模块化平台，见 arXiv。这与构建开放、可审计的 nucleotide model XAI 工作流直接相关。

课题组、资源与协作环境

Earlham 的研究基础设施与该课题高度相关。机构页面说明，其提供 data bioscience 支持、云计算、HPC 系统、Galaxy 实例、workflow 基础设施、虚拟化软件目录、ELIXIR 连接、open/FAIR data 支持和训练，见 Research e-Infrastructure。Scientific Groups 页面也列出 genomics、biotechnology、data science、machine learning、data infrastructure、AI-ready data 和 computational genomics 等方向，见 Scientific Groups。

因此，真正需要确认的并不是 Earlham 有没有相关基础设施，而是这项具体 studentship 是否已明确承诺算力、数据、既有代码和生物学协作者，以及这些资源会如何分配给学生。

研究方向与领域前景

领域动向

这个题目处在一个非常及时的方向上。基因组 foundation models 正从一般性的序列预测，转向更具生物学约束和解释需求的表示学习，包括 sequence-structure alignment、motif 或 retrieval grounding、benchmarking、robustness 和 interpretability。近期一篇关于 biological design 的 foundation models 综述，将更可控的生物序列生成与模型适配视为重要机会，见 biological design survey。英国政府的 AI Opportunities Action Plan 也将 AI for science、compute、data 和 skills 列为战略增长方向。

但这个方向同样存在真实的方法风险。最近的 benchmarking 工作指出，基因组模型比较仍然碎片化，而且对具体任务高度敏感，见 GENEB；关于 entropy 和 disagreement 的工作则质疑，仅靠 sequence-only training 时，基因组 foundation model 的表示是否足够稳定，见 entropy/disagreement paper。像 Gengram 这样的 retrieval- 或 motif-grounded 方法，则展示了让基因组模型更贴近生物学的一条可能路径。

可能的研究切入点

一个较可信的博士框架，可以围绕这些方向展开：为不同 DNA/RNA 模型选择合适的 XAI 方法；设计 perturbation-based faithfulness 和 robustness 测试；将显著的核苷酸或 motif 与注释、ontology、基因和文献证据关联起来；构建一个受约束的 agent，提出带有 provenance 的假设；并评估这些假设是否能帮助优先安排后续扰动或实验。高质量版本的项目，应当产出一个可审计的研究流程，而不只是一个会对话的系统。

职业与市场前景

该项目对应的职业路径包括 computational biology、biotech AI、AI-for-science research、model evaluation、research software engineering，以及 data-intensive life-science infrastructure。英国政策环境对 AI skills 和 AI-for-science capacity 相对友好，见 AI Opportunities Action Plan。但这一领域变化很快，长期价值更可能来自可验证的软件能力、benchmark 设计、生物学推理和可复现性，而不是单靠“agentic AI”这一标签。

资助、申请与生活成本

项目说明写明，这项 studentship 由 Earlham Institute 资助四年，覆盖 Home-fee 或 international-fee 学费，提供 2026/27 学年的年税前生活津贴 GBP 21,805，并额外提供每年 GBP 5,000 的 research training 支持。若这一点能够在正式书面材料中得到确认，那么它对国际申请者尤其有吸引力。

UEA 的 PGR 页面是目前可见的正式申请入口，见 UEA PGR application。项目说明中的截止日期为 2026 年 7 月 30 日，计划于 2026 年 10 月 1 日开始，因此资格核实、推荐信、英语成绩和导师联系都需要尽快推进。

生活成本方面，Norwich 不在伦敦。GOV.UK 当前给出的伦敦外 Student visa maintenance evidence 为每月 GBP 1,171，最长按 9 个月计算，见 GOV.UK Student visa money。Earlham 也表示 Norfolk 通常比 London 或 Cambridge 更便宜，见 Living in Norfolk。这些信息支持“津贴实际覆盖能力相对可行”的判断，但申请者仍应核实实时房租、押金、通勤成本、随行家属开销，以及训练经费能否覆盖会议、专项课程或云端/算力成本。

申请者匹配度与准备

最适合的人群

这个项目最适合具备 AI、ML、data science、computer science 或 computational biology 背景的申请者。若已有 deep learning、sequence modelling、NLP/foundation models、benchmarking、PyTorch/JAX、reproducible pipelines 或 XAI 经验，会更贴近项目需要。项目说明并未要求申请者必须具备系统生物学背景，但申请者应体现出学习 genomics annotations、motifs、gene regulation、ontology 和生物学验证逻辑的意愿。

需要谨慎的情况

如果申请者期待的是以湿实验为主的博士，或者不喜欢开放式跨学科项目，或者只想做模型训练而不愿投入严格评估，那么需要更谨慎。该项目很可能不断面对 explanation faithfulness、robustness、biological plausibility 和 hypothesis generation 之间的取舍。

值得补强的技能与证据

高价值准备包括：一个整洁的 GitHub 仓库；一个简短但完整的 sequence-modelling 或 XAI 项目；清晰的 ablation 和 evaluation metrics；对 genomic annotation resources 的基本熟悉；knowledge graph 或 ontology 基础；以及一段简洁说明，解释模型解释如何转化为可检验的生物学假设。更强的申请叙事，应当同时体现计算深度与科学克制。

风险与待核实问题

高优先级问题

Dr Ke Li 目前是否在 Earlham Institute 或 UEA 任职？这项 studentship 的正式监督团队是谁？
哪些 co-supervisors 或 collaborators 负责基因组生物学、湿实验验证、知识图谱和实验优先级排序？
该 studentship 是否明确覆盖四年全部的 international tuition fees？
申请者将获得哪些算力资源、模型 checkpoints、数据集和既有代码？
这个 PhD 需要从头训练 nucleotide foundation models、微调现有模型，还是主要围绕现有模型构建 XAI / agentic tooling？
解释质量将如何评判：faithfulness、perturbation robustness、biological plausibility、expert review、prospective wet-lab experiment，还是这些都包括？

中优先级问题

最可能聚焦的生物学应用是什么：regulatory DNA、RNA motifs、gene expression、variant effects，还是 sequence-to-function prediction？
学生是否正式注册在 UEA、Earlham、NRPDTP，还是其他路径？
每年 GBP 5,000 的支持能否覆盖会议、云端算力、专项课程和合作访问？
第一年有哪些里程碑，预期发表目标是什么？
学生在 UEA 与 Earlham Institute 之间的时间会如何分配？

证据与来源

核心机构与训练环境