Un obstáculo importante en el uso de IA para la genómica es la falta de razonamiento interpretable y paso a paso a partir de datos de ADN complejos. Mientras que los modelos de Foundation de ADN se destacan en el aprendizaje de patrones de secuencia rica para tareas como la predicción variante y la regulación génica, a menudo operan como cajas negras, que ofrecen una visión limitada de los mecanismos biológicos subyacentes. Mientras tanto, los modelos de idiomas grandes demuestran impresionantes habilidades de razonamiento en varios dominios, pero no están diseñados para manejar secuencias genómicas en bruto. Esta brecha entre la fuerte representación del ADN y el profundo razonamiento biológico evita que la IA alcance la comprensión a nivel de expertos y limita su potencial para impulsar el descubrimiento científico a través de explicaciones significativas impulsadas por la hipótesis.
Los modelos de Foundation de ADN han hecho un progreso significativo al aprender ricas representaciones directamente de secuencias genómicas, mostrando un fuerte rendimiento en una variedad de tareas biológicas. Los modelos como EVO2, con sus capacidades de largo alcance, resaltan su potencial, pero su falta de interpretabilidad limita las ideas biológicas más profundas. Mientras tanto, los modelos de lenguaje grande se destacan en el razonamiento sobre los textos biomédicos, pero a menudo no se involucran directamente con los datos genómicos sin procesar. Los intentos, como Genegpt y TXGemma, representan esfuerzos tempranos para cerrar esta brecha. Los puntos de referencia genómicos actuales evalúan el rendimiento de la tarea, pero se quedan cortos en la evaluación del razonamiento y la generación de hipótesis.
Investigadores de la Universidad de Toronto, Vector Institute, University Health Network (UHN), ARC Institute, Cohere, University of California, San Francisco y Google Deepmind han introducido Biorraason, un sistema pionero de IA que une un modelo de base de ADN con una LLM. Esta integración permite a BiorRason analizar secuencias genómicas sin procesar mientras se aplica un razonamiento basado en LLM para generar ideas claras y biológicamente fundamentadas. Entrenado a través de un aprendizaje supervisado de ajuste y refuerzo, logra una ganancia de rendimiento del 15% o más sobre los modelos tradicionales, alcanzando hasta un 97% de precisión en la predicción de la vía de la enfermedad basada en Kegg. Este enfoque ofrece resultados interpretables paso a paso que avanzan la comprensión biológica y facilitan la generación de hipótesis.
El modelo de Biorracional es un marco multimodal diseñado para apoyar el razonamiento biológico profundo e interpretable al combinar secuencias genómicas con consultas de lenguaje natural. Utiliza un modelo de base de ADN para extraer incrustaciones contextuales ricas de las entradas de ADN sin procesar y los integra con consultas textuales tokenizadas para formar una entrada unificada para un LLM, específicamente QWEN3. El sistema está capacitado para generar explicaciones paso a paso de los procesos biológicos. Los incrustaciones de ADN se proyectan en el espacio de la LLM utilizando una capa aprendible, y la entrada combinada se enriquece con la codificación posicional. Además, el aprendizaje de refuerzo a través de la optimización de políticas relativas del grupo refina sus capacidades de razonamiento.
Los investigadores evaluaron BiorReson en tres conjuntos de datos centrados en la interpretación de las variantes de ADN y el razonamiento biológico. Superó a los modelos solo de ADN y solo LLM para predecir los resultados de la enfermedad de las variantes genómicas. La versión de mejor rendimiento, que combinó EVO2 y QWEN3-4B, logró puntajes de alta precisión y F1 en todas las tareas. Un estudio de caso notable involucró una mutación PFN1 vinculada a la ELA, donde la temporada de biorracional predijo con precisión la enfermedad y generó una explicación de 10 pasos que traza el impacto de la variante en la dinámica de la actina y la degeneración de las neuronas motoras. Esto muestra su fuerza no solo en predicciones precisas sino también en proporcionar rutas de razonamiento transparentes y biológicamente fundamentadas.
En conclusión, BiorRason combina codificadores de ADN con modelos de lenguaje grandes para permitir un razonamiento detallado e interpretable sobre los datos genómicos. A diferencia de los modelos tradicionales, no solo hace predicciones precisas, sino que también explica la lógica biológica detrás de ellos utilizando salidas paso a paso. Esto ayuda a los científicos a comprender mejor los mecanismos de enfermedades y generar nuevas preguntas de investigación. Si bien es poderosa, BiorRason tiene desafíos, como altos costos computacionales y medidas de incertidumbre limitadas. El trabajo futuro tiene como objetivo abordar estos problemas mejorando la escalabilidad, incorporando datos biológicos adicionales como ARN y proteínas, y aplicándolo a tareas más amplias, incluidos GWAS. En general, BiorRason se muestra prometedor para avanzar en la medicina de precisión y la investigación genómica.
Mira el Papel, Página de Github y Página del proyecto. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 95k+ ml de subreddit y suscribirse a Nuestro boletín.
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble grado en IIT Madras, le apasiona aplicar tecnología e IA para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.