Los modelos de lenguaje grandes identifican genes causales en GWAS de rasgos complejos

Área de la Ciencia:

• Genética
• Bioinformática
• Biología Computacional

Sus antecedentes:

• La identificación de genes causales en los loci de estudios de asociación de genoma completo (GWAS) es crucial para comprender los rasgos complejos, pero sigue siendo un desafío importante.
• Los métodos actuales de minería de literatura a menudo carecen de la precisión y escalabilidad necesarias para un análisis genético integral.

Objetivo del estudio:

• Evaluar la efectividad de los modelos de lenguaje grandes (LLM) en la priorización de genes causales probables en los loci de GWAS.
• Comparar el rendimiento de los LLM con los métodos actuales de vanguardia y evaluar su generalización a loci novedosos.

Principales métodos:

• Evaluación sistemática de LLM de propósito general utilizando conjuntos de datos de referencia de genes causales de alta confianza.
• Inclusión de un conjunto de datos único de 23 GWAS no publicados para probar el rendimiento en loci novedosos.
• Evaluación del rendimiento de los LLM cuando se integran con métodos de análisis genético existentes.

Principales resultados:

• Los LLM demostraron una alta precisión en la priorización de genes causales en los loci de GWAS, superando o igualando los métodos actuales de vanguardia.
• Los LLM mostraron un rendimiento sólido en loci novedosos, lo que indica una fuerte generalización.
• La integración de LLM con métodos existentes mejoró significativamente el rendimiento general de la identificación de genes causales.

Conclusiones:

• Los LLM proporcionan un enfoque preciso, escalable y generalizable para la identificación de genes causales en GWAS.
• Este trabajo establece los LLM como una herramienta poderosa para acelerar el descubrimiento de genes subyacentes a rasgos complejos.
• Los LLM representan un avance significativo en el aprovechamiento de la inteligencia artificial para la investigación genética.