GALAX：面向精准医学的图增强语言模型用于可解释强化引导的子图推理

在精准医学中，定量多组学特征、拓扑上下文和文本生物学知识在识别疾病关键信号通路和靶点方面发挥着关键作用。现有流程仅捕获这些要素的部分——数值型组学忽略了拓扑上下文，文本中心的 LLM缺乏定量推理，图模型仅利用节点语义且缺乏 LLM 的泛化能力，限制了机制可解释性。虽然过程奖励模型 (PRM) 旨在引导 LLM 的推理，但它们仍受限于不可靠的中间评估、对奖励攻击的脆弱性以及计算成本。这些差距促使我们整合定量多组学信号、拓扑结构与节点注释，以及通过 LLM 整合文献规模的文本，利用子图推理作为连接数值证据、拓扑知识和语言上下文的关键桥梁。因此，我们提出了 GALAX（Graph Augmented LAnguage model with eXplainability），一种创新的框架，将预训练的图神经网络 (GNN) 集成到大语言模型 (LLM) 中，通过由图过程奖励模型 (GPRM) 引导的强化学习实现，该模型以步骤方式生成与疾病相关的子图，由预训练的 GNN 和基于模式的规则检查进行迭代评估，实现无需显式标签的过程级监督。作为应用，我们还引入了 Target-QA 一个结合了 CRISPR 识别靶点、多组学轮廓和生物医学图知识的基准测试，跨越 diverse cancer cell lines，支持 GNN 预训练以监督步骤图构建，并支持对文本-数值图 (TNG) 的长上下文推理，提供了一个可扩展且生物学上可 grounding 的框架，用于可解释、强化引导的子图推理，以实现精准医学中可靠且可解释的靶点发现。