《Genes》:PxFquery: A Bioinformatics Tool for Large Language Model-Assisted Functional Analysis of Large-Scale Perturbation Signatures
编辑推荐:
背景与目的:遗传与化学扰动实验为研究细胞响应提供了系统化途径。Connectivity Map(CMap)等大规模资源包含海量转录组扰动特征,可支持功能解读与扰动检索。然而现有访问方式主要依赖结构化输入,难以将自然语言扰动问题与原实验证据连接。方法:为解决该挑
背景与目的:遗传与化学扰动实验为研究细胞响应提供了系统化途径。Connectivity Map(CMap)等大规模资源包含海量转录组扰动特征,可支持功能解读与扰动检索。然而现有访问方式主要依赖结构化输入,难以将自然语言扰动问题与原实验证据连接。方法:为解决该挑战,研究人员开发了PxFquery,一种证据锚定的工具,支持以自然语言探索大规模扰动资源。PxFquery采用大语言模型(LLM)辅助工作流解释生物学问题,并基于检索到的扰动证据组织回答。其将超过50万条CMap/LINCS扰动特征转换为紧凑的功能响应空间,支持扰动到功能与功能到扰动的双向查询。结果:尽管CMap扰动覆盖稀疏(5.9%),PxFquery整合相关扰动证据,提升了资源可及性。在遗传与化学扰动到功能及功能到扰动查询评测中,PxFquery输出与实验参考排序的一致性强于直接与PubMed增强LLM方法(配对Wilcoxon检验;p < 0.05)。功能响应表示将存储需求降至原始资源的0.068%–0.24%,并通过Python包(v0.5.29)、网站与AI工作流接口实现轻量部署。结论:PxFquery为探索大规模扰动资源提供自然语言接口,同时保持与实验证据的连接,降低访问门槛并支持融入多样AI工作流。
研究背景与立项依据:理解遗传与化学改变如何影响细胞状态是生物学基本目标。CMap及其扩展LINCS L1000项目汇集了百万级扰动转录组特征(perturbation signatures),为比较扰动效应与解读细胞响应提供实验证据。现有方法分为两个方向:扰动到功能(perturbation-to-function)借助过表征分析(ORA)与基因集富集分析(GSEA)将转录变化映射到MSigDB Hallmark等功能程序;功能到扰动(function-to-perturbation)借助L1000CDS2等签名检索策略反向定位相似扰动。平台如iLINCS提供结构化接口,但均以基因集或元数据为入口。两大瓶颈在于:自然语言问题难以锚定到实验证据;CMap/LINCS细胞-扰动组合实测覆盖仅5.9%,大量组合未测。近期LLM方法(PerturbQA、SUMMER)聚焦单细胞特定实验,GEARS等侧重预测分子响应而非功能查询。因此研究人员开展PxFquery研究,发表于《Genes》,旨在用LLM辅助自然语言接口桥接CMap/LINCS与生物学问题,并通过相似度扩展未测组合的证据。
主要关键技术方法:数据源于CLUE发布的CMap/LINCS Level 5特征,含201,014条化合物(cp)、189,365条shRNA(sh)、132,464条CRISPR(xpr)签名,细胞系名用Cellosaurus标准化,基因用GENCODE v49,化合物用PubChem。功能空间由50个MSigDB Hallmark与41个3CA meta-programs(3CA MPs)共91个基因集构成。每条签名用GSEApy预排序富集(1000置换)得NES,功能分Sij=sign(NES)·|NES|·(?log10(FDR+ε))(ε=10?10),矩阵四舍五入两位小数、float16存储、|S|<0.1置零,体积降至原34/11/6.1 GB的23/22/15 MB。细胞系层级树按谱系-疾病-亚型组织;化合物用RDKit Morgan指纹(半径2,2048位)Tanimoto≥0.30取前50近邻;基因用GenePT embedding余弦≥0.50取前50近邻。LLM默认DeepSeek-V4-Flash,负责实体标准化、方向判定与证据组织。评测以完整实验排名为参照,剔除完全匹配记录后比较PxFquery与直接LLM、PubMed增强LLM的top-k实验秩百分位(Wilcoxon)。
研究结果
3.1 实验扰动证据覆盖:索引资源含240细胞系、5958化合物、11789基因扰动,超50万签名;细胞-扰动实测对522,843/8,322,090(5.9%)。同一肺癌亚组不同细胞系间L1000签名Pearson相关最高(Kruskal–Wallis p=3.70×10?11),支持用细胞系层级补未测上下文。BioRED句级实体抽取准确率86.7%(语境)/94.7%(扰动);400条PubTator查询中化学检索率99.0% vs 关键词44.5%,遗传88.0% vs 32.0%(McNemar p<10?25)。
3.2 功能响应表示:厄洛替尼在H1975中将12,328维基因压至91维方向分(激活应激、抑制细胞周期)。存储压缩至0.068%–0.24%,四舍五入与float16基本保留程序内排序(Spearman),置零项多为高FDR。
3.3 扰动到功能解读:结肠癌KRAS抑制(DLD1/HT29/SW480)激活KRAS/干扰素程序、抑制G1/S与G2/M;NRAS/HRAS因GenePT邻近被并入相关证据。百例遗传查询(剔除精确匹配)top3/5激活与抑制程序实验秩百分位低于两LLM比较器(p<0.05)。白血病地西他滨激活干扰素程序,decitabine-cytarabine-gemcitabine同处Tanimoto邻域;化学百例查询同样PxFquery更优。外验ChEMBL机制(CDK4/6→E2F抑制、mTOR→mTORC1抑制)McNemar p<0.0001胜出。
3.4 功能到扰动候选排序:肺瘤“降低增殖”目标(E2F/MYC/G2M)返BRD4、MYC、KRAS-2B、VEGFA、EGLN1;百例遗传查询top1–10实验秩百分位均低于LLM(p<0.0001)。内膜癌“增强缺氧”返molidustat、deferasirox、SC-144、daprodustat、IOX2(HIF-PHI类),化学百例同效。
3.5 多接口证据锚定回答:Python包(Scanpy风)、Gradio网站、MCP接OpenCode。2000条弱支持功能追问中PxFquery零误判为支持响应,证明证据约束连续对话可行。
讨论总结:PxFquery将CMap/LINCS利用与自然语言查询统一,LLM仅解问与组织,证据全来自实测功能分;优于关键词法可及性、优于纯LLM循证一致性。嵌入邻域索引承表示学习(GenePT、Morgan)但不预测签名而压成功能语义,支持双向探索与MCP轻量集成。局限:偏肿瘤细胞系、单扰动为主、91维可能丢细粒度。结论部分译文:大规模扰动资源因需结构化输入与专业知识的访问方式而利用受限;提升可及性可使研究者直接从生物学问题探索扰动效应并获证据支持洞察。PxFquery提供自然语言框架探索扰动-功能关系,支持双向查询与AI工作流轻量集成;评测显示其结合LLM辅助解释与相似度证据检索,输出更贴近实验参考排序。研究表明自然语言接口与大规模扰动资源互补,支撑AI辅助响应解读与扰动优先化。