面向基因优先排序的大语言模型调查与改进策略
基因组学
2025-02-03 v1 人工智能
摘要
罕见疾病因有限患者数据和遗传多样性而难以诊断。尽管在变体优先排序方面取得了进展，但许多案例仍未被诊断。虽然大语言模型 (LLM) 在医学考试中表现良好，但其在诊断罕见遗传疾病方面的有效性尚未评估。为识别致病基因，我们对 various LLMs 进行了基因优先排序基准测试。通过多智能体方法和 Human Phenotype Ontology (HPO) 分类，我们根据表型和可解性水平对患者进行分类。随着基因集合大小的增加，LLM 性能恶化，因此我们采用分而治之策略将任务划分为更小的子集。在基准水平上，GPT-4 在其他 LLMs 中取得近 30% 的准确率，正确排名致病基因。多智能体和 HPO 方法有助于区分确定可解案例与具有挑战性的案例，凸显已知基因-表型关联和表型特异性的重要性。我们发现，具有特定表型或清晰关联的案例被更准确地解决。然而，我们观察到对 well-studied 基因的偏好以及输入顺序的敏感性，这些因素阻碍了基因优先排序。我们的分而治之策略通过克服这些偏差提高了准确率。通过利用 HPO 分类、novel 多智能体技术和我们的 LLM 策略，我们在基准评估的基础上提高了致病基因识别的准确率。该方法简化了罕见疾病诊断，促进了未解案例的重新评估，并加速了基因发现，支持开发针对性诊断和疗法的开发。
引用
@article{arxiv.2501.18794,
title = {Survey and Improvement Strategies for Gene Prioritization with Large Language Models},
author = {Matthew Neeley and Guantong Qi and Guanchu Wang and Ruixiang Tang and Dongxue Mao and Chaozhong Liu and Sasidhar Pasupuleti and Bo Yuan and Fan Xia and Pengfei Liu and Zhandong Liu and Xia Hu},
journal= {arXiv preprint arXiv:2501.18794},
year = {2025}
}
备注
11 pages, 4 figures, 10 pages of supplementary figures