Nature|GWAS进入AI大模型时代

小编推荐

相信我们都已经深入用上了AI，甚至多数人已经用AI agent进行生信分析。这篇论文也是生物大模型在GWAS上的应用，推荐阅读。

GPN-Star概览

融合比对与演化树信息的基因组语言模型（gLMs）：GPN-Star 通过利用多物种演化树（Phylogeny）和全基因组比对（WGAs）中嵌入的演化信号，来学习基因组的功能约束。受经典演化模型的启发，它能够刻画基因组位点在不同物种间的演化规律。为了实现这一目标，研究引入了一种专门的 Transformer 架构，将序列上下文与演化信息有机融合在一起。

GPN-Star在人类全基因组变异效应预测中的表现

研究团队聚焦于发生频率最高、影响最显著的错义突变（Missense variants），并在多个权威数据集上进行了对比验证。在临床致病变异预测（ClinVar）上，划分 ClinVar 数据库中的致病与良性突变任务中，GPN-Star (V)（脊椎动物模型）取得了最高的 AUPRC 评分，性能超越了 ESM-2 和 ESM-3-open，并达到了知名蛋白语言模型 ESM-1b 的水平。在体细胞肿瘤突变预测（COSMIC）上，区分 COSMIC 肿瘤高频突变与人群常见突变（gnomAD）的任务中，GPN-Star (V) 表现显著优于所有竞争模型，证明其预测能力不仅限于胚系变异（Germline variants），在体细胞癌症变异上同样强大。在深度突变扫描实验验证（ProteinGym）上， ProteinGym 的 31 项人类蛋白质实验数据中，GPN-Star (V) 的预测效果大幅超越了所有全基因组模型（Genome-wide models），仅略次于针对特定蛋白质优化的专用模型。在结合人群等位基因频率校准（Post-hoc Adjustment）后，相比于监督训练时使用了等位基因频率数据的 AlphaMissense 和 PrimateAI-3D，GPN-Star 在仅利用 gnomAD 等位基因频率进行简单的后处理校准后，在 ClinVar 预测表现上成功超越了 PrimateAI-3D，并逼近 AlphaMissense。

致病性非编码变异

接着研究团队考虑了涉及非编码变异的任务，这类变异在预测建模中尤其具有挑战性。研究在证明，GPN-Star是识别人类基因组中致病性非编码变异的强大工具。

GWAS 精细定位变异位点

全基因组关联研究（GWAS）在识别导致遗传性疾病易感性的基因变异方面发挥了重要作用。为了进一步评估 GPN-Star 的应用效果，研究评估了它在对英国生物样本库（UK Biobank）中 65 种性状进行 GWAS 精细定位所得出的潜在因果错义变异与非因果错义变异进行分类时的性能。在所有对比模型中，GPN-Star (M)（哺乳动物模型）在该精细定位错义变异任务上取得了最高的预测性能。值得注意的是，尽管 AlphaMissense 和 PrimateAI-3D 利用了人群等位基因频率信息，但在该任务中均被 GPN-Star 显著超越。

罕见变异关联分析

鉴于 GPN-Star 在预测致病变异和精细定位变异方面的强劲表现，团队探索了其在罕见变异关联分析（RVAT）中的应用——这是统计遗传学中一项极其重要但也极具挑战性的任务。研究人员对 RVAT 产生浓厚兴趣的原因在于：由于受负向选择压力的影响，大多数具有重大效应的变异往往都非常罕见。为了克服低频变异在统计检验效能上的不足，RVAT 通常在基因层面展开，即将每个基因内的变异进行汇总分析。这些检验程序通常依赖能够反映功能重要性的变异注释，从而在汇总过程中对变异进行优先筛选。GPN-Star可能提供了互补的信息，并增强了检验的统计效力。

全基因组进化约束

为了更直接地评估模型预测与基因组进化约束之间的联系，我们利用了gnomAD v.3.1.2的等位基因频率数据，该系统汇总了来自76,156名人类的全基因组测序样本。人类群体中的等位基因频率是选择约束的重要指示器：由于纯化选择，有害等位基因的频率通常较低。在所有三个进化时间尺度中，低GPN-Star分位数箱中的变异平均等位基因频率均低于对应的PhyloP和PhastCons，表明GPN-Star更准确地捕捉了人类基因组中的选择性约束。

模式生物的GPN-Star

GPN-Star只需多物种WGA和相应的系统发育学即可预测变异效应，使其易于适用于那些全基因组变异解释仍具挑战性的物种。为证明这一点，研究在五种重要模式生物上训练了GPN-Star模型：Mus musculus、Gallus gallus、Drosophila melanogaster、Caenorhabditis elegans和Arabidopsis thaliana。展示了GPN-Star如何作为一种高效且低成本的工具，用于研究功能元素及其跨基因组的依赖关系，补充并指导实验研究。

看了下这个模型并不大，消费级显卡即可使用，硬件友好，可以试试哦！

参考

• • Ye, C., Benegas, G., Albors, C. et al. Predicting genome-wide functional constraints with GPN-Star. Nature (2026). https://doi.org/10.1038/s41586-026-11005-5
• • 预训练模型、训练数据集和基准数据集可在Hugging Face（https://huggingface.co/collections/songlab/gpn-star-68c0c055acc2ee51d5c4f129）