Nature Methods：GPT

近年来，随着组学技术（omics technologies）的迅猛发展，研究人员能够以前所未有的深度和广度揭示基因、蛋白质以及代谢物在不同生物学过程中的作用。然而，这些高通量技术所产生的大量数据也带来了前所未有的分析挑战。如何从这些复杂数据中识别出具有生物学意义的基因集功能，成为现代基因组学研究的重要课题之一。

传统的基因功能富集分析（functional enrichment analysis）是基因集的主流方法，依赖于如Gene Ontology (GO)、KEGG和Reactome等人工整理的数据库。这些数据库为基因的生物学功能分类提供了重要依据，但其局限性也日益显现。首先，这些数据库往往不完整，对新发现的基因或功能的覆盖不足；其次，对于尚未深入研究的基因簇，即使显著性结果明显，实际生物学关联仍可能不强。在这种背景下，研究人员需要借助文献和其他数据集，通过费时费力的方式推断基因集的潜在功能。

最近，生成式人工智能（Generative AI）的兴起为基因功能分析带来了全新的解决方案。大语言模型（Large Language Models, LLMs）作为生成式人工智能的核心技术，具备从庞大文献数据中学习复杂模式的能力，能够生成具有逻辑性的文本。研究者们已经开始探索利用LLMs提取基因组学数据中隐藏的信息，生成可能的功能假设，并验证其合理性。

11月28日Nature Methods的研究报道Evaluation of large language models for discovery of gene set function，首次系统性评估了五种前沿LLMs（包括GPT-4、Gemini Pro和Mixtral等）在基因功能发现中的表现。通过两项任务：文献整理基因功能的能力及组学数据中基因簇功能的探索，研究验证了LLMs在生物学功能分析中的潜力，并指出了其局限性。研究发现，LLMs不仅能够提供与现有数据库一致的基因功能描述，还在某些情况下提出了更广泛且合理的生物学解释。这一发现为LLMs在基因组学中的应用开辟了新的可能性，也为未来的智能化科学研究奠定了基础。