研究方向

研究方向聚焦于构建从环境微生物“暗物质”到可计算知识的高通量转化管道。围绕高盐、高碱、低温等特殊生境，课题组自主研发分子生物学技术和智能分析方法，系统开展微生物基因组解析与功能注释。

形成的结构化组学数据，既为领域专用人工智能模型提供训练数据，也支撑面向微生物组的智能算法与预测模型研发。目前，该技术管道已在三个层面实现初步集成。

技术路线

打通“物理世界—可计算数据—知识图谱—调控群落”的全链条：以多组学分子标注与多智能体 AI 为枢纽，连接功能物种、代谢途径与互作关系的物理世界，实现蛋白发掘与微生物群落的智能驾驭。

三个层面

功能基因组学层面
开发融合深度学习的高灵敏度基因组识别方法及配套算法，捕获并解析常规流程易遗漏的低丰度功能类群及其基因组；结合蛋白质与基因组语言模型，挖掘传统同源比对难以发现的新型酶、远缘功能基因、代谢基因簇及环境适应元件。
代谢反应网络层面
以最小生化反应单元为基本模块，构建贯通基因、酶、底物、产物与反应的知识图谱，融合知识图谱推理与基于向量数据库的多组学证据语义检索，构建多智能体协同推理框架，实现新型代谢途径的自动发现、可行性评估与实验验证。
群落互作调控层面
基于宏基因组解析的群落结构，融合功能基因、代谢物交换与环境因子，构建群落互作的可计算世界模型，预测群落互作、状态演化及干预响应。

三者协同，构成从“基因—反应—网络”的递进式技术链条，为复杂微生物组学问题的智能化求解提供新范式。在此基础上，课题组同步推进微生物组学 AI 模型的原型开发，覆盖稀有类群识别、代谢路径推理及群落调控模拟等核心任务，实现从数据标注到智能决策的闭环。

课题组主要工作

技术创新
开发融合分子生物学与人工智能的微生物组学技术及生物信息学方法。
系统构建
建立宏基因组与宏转录组分析算法、数据库、分析流程及可视化平台。
多组学整合
结合代谢组学、培养组学及基因操作技术，实现对极端环境微生物资源及生物合成基因簇的精准识别与高效培育。

数据基础与成果转化

目前，课题组采集的盐、酸、碱水陆样品数据量占全球同类数据的 80% 以上，为人工智能驱动的微生物多样性解析与工程化应用奠定了核心数据基础。

课题组致力于发现具有潜在功能的未知微生物类群及生物活性物质合成基因簇，并通过培育与生物合成技术推动其应用转化。

资助项目

课题组主持国家自然科学基金面上项目及青年科学基金项目，作为骨干参与国家自然科学基金重点项目及“十四五”国家重点研发计划等 20 余项课题。

2025-2028

基于宏组学数据与深度学习模型构建全球原核操纵子序列数据库及应用

国家自然科学基金面上项目（32470697），主持。

2024-2026

基于深度学习模型预测原核操纵子完整功能结构

北京大学 AI for Science 专项，主持。

2021-2026

代谢调控导向的微生物-宿主-药物互作网络与信号机制

国家重点研发计划“生物大分子与微生物组”重点专项（2021YFA1301300），课题骨干。

2020-2024

典型污染物对黄河甘宁蒙河段鱼类生存繁殖的影响及其在生态流量研究中的作用

国家自然科学基金重点项目（51939009），参与单位负责人。

2018-2020

厌氧氨氧化菌响应亚硝酸盐与分子氧胁迫的多组学解析

国家自然科学基金青年科学基金项目（51709005），主持。

开源软件

实验室官方 GitHub 组织为 PKU-EMBL。核心软件为发表于 Nature Communications 的宏基因组分箱与精炼工具 BASALT，相关软件包括 BASALT-Air。

代表性成果与影响

余珂，博士，现任北京大学深圳研究生院长聘副教授、研究员，担任北京大学环境科学与工程、计算机应用技术双学科博士生导师，入选美国斯坦福大学发布的“2025 年全球前 2% 顶尖科学家榜单”，兼任 Microbiome 期刊高级编辑（Senior Editor）及 iMeta 等期刊编委。以第一作者或通讯作者在 Nature Communications、Microbiome、Environmental Science & Technology、Water Research 等综合性、微生物学、环境科学与环境工程期刊发表 SCI 论文 100 余篇，总引用 6000 余次。其中，以第一作者发表的世界首篇应用宏转录组技术解析活性污泥微生物的论文，被 Per H. Nielsen 教授评为近 50 年来解析活性污泥微生物生态的 20 篇里程碑式研究论文之一；另一篇多宏组学论文被 Marvin Whiteley 教授评价为革新了菌间互作的研究方法。