Genolator：利用融合基因组与结构解读及自然语言交互的多模态大语言模型实现蛋白质功能解读

背景：解码遗传密码以揭示其基因组功能是一项艰巨任务，将极大推动对疾病机制的理解和靶向治疗的开发。尽管大语言模型（LLMs）已变革了多个领域的自然语言处理，但由于基因组数据的复杂性及人类基因组中尚未探索的区域，将复杂的DNA语言转化为人类可读形式仍具挑战性。当前的语言模型要么能够处理自然语言，要么能够处理基因组密码，融合两者的模型在很大程度上仍然缺乏。结果：我们在此提出Genolator，一种多模态大语言模型，它将DNA序列、氨基酸序列和蛋白质结构的嵌入与自然语言查询相整合。Genolator基于超过365,000个使用抽象化Gene-Ontology（GO）术语生成的问答对进行微调，能够有效回答关于蛋白质亚细胞定位、分子功能和生物学过程的查询。评估表明，其在确认或否认蛋白质功能关联方面具有高准确性，优于基线模型，如公开可用的全能型LLM（如GPT 4.1）以及整合了蛋白质结构transformer知识的较小领域特定模型。对Genolator隐藏状态的探索揭示了其学习表征在生物学和语言学上的合理组织。对底层语言模型注意力头的分析和消融研究为多模态方法的益处提供了证据。结论：Genolator通过实现与蛋白质数据的自然语言交互，增强了基因组信息的可及性，促进了生物学发现和临床研究。它代表了通过整合多模态LLM朝着弥合基因组密码与人类语言之间鸿沟迈出的一步。