Inside Genebench-Pro: 基因组 AI 基准测试的案例研究

OpenAI 已发布 Genebench-Pro，这是一个严格的基准，旨在评估 AI 模型执行复杂基因组分析的能力。该基准测试模型是否能够综合多模态基因组数据——包括长读测序、表达谱和药物基因组证据——以得出临床或科学上有效的结论。

Genebench-Pro 案例研究概述

Genebench-Pro 使用一系列高复杂度的案例研究，要求模型超越简单的模式识别。要成功，模型必须执行多步推理，处理技术噪声（如环境 RNA 或映射伪影），并应用特定领域的统计方法，如孟德尔随机化或创始人重建。

临床和体细胞肿瘤学

Genebench-Pro 评估基于结构变异做出治疗决策的能力。在一个案例研究中，模型必须通过从长读测序、表达数据和肿瘤质量证据的组合中恢复目标亚群来确定合成 TXR1 导向抑制剂的临床实用性，然后再解释其益处和毒性。

功能和调控基因组学

• CRISPR 目标验证： 模型必须决定 lncRNA 依赖性是转录物特异性的还是由附近位点效应驱动的，这要求它们控制 GC 毒性、板效应和邻近基因抑制。
• 染色质环强度： 模型的任务是在屏蔽低可映射接触和结构变异伪影的同时量化 Hi-C 环强度差异，以防止对预期接触模型的扭曲。

统计和种群遗传学

• 药物靶点优先级： 模型必须使用 cis 多变量孟德尔随机化（cis-MVMR）来估计连锁遗传位点中蛋白质的直接疾病效应，考虑连锁不平衡（LD）和残留局部多效性。
• 祖先和混合： 任务包括从分段的局部祖先片段中推断父母特异性祖先和混合时间，这需要修复互惠伪影和染色体特异性标签反转。
• 古代 DNA 分析： 模型必须通过建模测序错误值并将位点放置在一致的导出等位基因尺度上，从嘈杂的古代等位基因频率时间序列中推断正向选择。

单细胞和结构基因组学

• eQTL 估计： 模型必须估计激活单核细胞表达上的基因型效应，这需要在应用 eQTL 模型之前去除环境 RNA 和技术污染。
• 嵌套结构变异： 模型必须评估嵌套结构亚单倍型的临床关联，确保剂量校准和表达支持与更广泛的倒置取向保持独立。

数据输入摘要

在这些案例研究中，模型提供了原始或半处理的数据文件，包括：

• Registry Covariates: 患者年龄、性别、肿瘤负担和治疗类别。
• Genomic Coordinates: 引导 ID、染色体位置和 GC 分数。
• Association Summaries: SNP 位置、效应等位基因、beta 值和 p 值。
• Cellular Metrics: 每个细胞的 UMI 计数用于标记基因和污染标记。
• Ancestry Data: 带有后验值和 QC 注释的分段局部祖先片段。