基因组是完整编码 DNA、RNA 和蛋白质的序列，这些序列协调整个生物体的功能。机器学习的进步与全基因组的海量数据集相结合，可以实现生物基础模型，加速复杂分子相互作用的机械理解和生成设计。现有的RNA预训练模型大多为理解任务而架构，其得到的核酸表征应用于生成任务的微调环节会产生偏差。于是，提出一个统一的、用于理解和生成任务的预训练模型至关重要，它具体包括四部分：1）利用单序列Evoformer架构对序列编码，充分理解核酸序列信息；2）基于BERT模型构建文本编码器，对核酸文本描述建模；3）为了使多模态数据充分交互，设计多模态融合编码器，得到多模态融合表征；4）构建自回归生成解码器，将生成任务融入预训练目标中。通过编码器-解码器架构，我们可以同时对理解任务和生成任务进行自监督预训练。这种灵活的架构充分地提升了模型的理解和生成能力，并适应下游多模态任务。