面向 Genomic Data Commons 的 GDC Cohort Copilot：一个用于 curated 队列的人工智能助手
摘要
基因组数据 commons (GDC) 通过以患者队列为中心的统一 curated 和分析平台，提供对高质量、一致化的癌症基因组数据的访问。尽管 GDC 用户可以通过图形化 cohort builder 交互式创建复杂的队列，但用户（尤其是新手）可能在数百个可能的字段和属性中寻找特定的 cohort 描述方面感到困难。然而，用户可以更容易地用自然语言描述他们想要的队列。我们介绍 GDC Cohort Copilot，这是一个用于从 GDC 中 curated 队列的开源助手工具。GDC Cohort Copilot 会自动生成对应于用户输入自然语言描述的 GDC cohort 过滤器，然后将队列导出回 GDC 以供进一步分析。交互式用户界面允许用户进一步细化生成的队列。我们开发并评估了用于 GDC Cohort Copilot 的多个大型语言模型 (LLM)，并表明我们的本地部署的开源 GDC Cohort LLM 在生成 GDC 队列方面优于 GPT-4o 提示。在 HuggingFace Spaces 上实现并分享 GDC Cohort Copilot 作为一个容器化的 Gradio app，可在 https://huggingface.co/spaces/uc-ctds/GDC-Cohort-Copilot 上访问。GDC Cohort LLM 权重可在 https://huggingface.co/uc-ctds 上获取。所有源代码均可在 https://github.com/uc-cdis/gdc-cohort-copilot 上获取。
引用
@article{arxiv.2507.02221,
title = {GDC Cohort Copilot: An AI Copilot for Curating Cohorts from the Genomic Data Commons},
author = {Steven Song and Anirudh Subramanyam and Zhenyu Zhang and Aarti Venkat and Robert L. Grossman},
journal= {arXiv preprint arXiv:2507.02221},
year = {2025}
}
备注
12 pages, 1 figure, 7 tables. v2 updated to reflect migration to HF Spaces