GenoMorph：通过自适应潜在计算进行基于通路的基因组疾病推理

大语言模型（LLM）在生物推理方面表现出了强大的能力；然而，基因组疾病推断在很大程度上仍然依赖于记忆的基因与疾病关联，而不是理解生物学途径。这种捷径学习破坏了鲁棒性和泛化性，并且当分子标识符不可用时就会崩溃。我们提出了 GenoMorph，一种多模式基因组推理框架，它将疾病预测从关联基因-疾病图谱转变为基于通路的推理。 GenoMorph 将冻结的 DNA 基础模型与问题条件交叉注意融合、自适应潜在推理 (LatentSp)、用于迭代基因组证据重新注入的残余推理门以及通过分层最佳传输 (OT) 正则化的拒绝采样微调结合起来。 GenoMorph 不是学习直接的基因疾病图谱，而是将基因组序列表示与潜在通路动态进行比对，从而在产生疾病预测之前实现遵循分子相互作用的推理轨迹。 LatentSp根据推理置信度动态分配计算量，减少不必要的推理步骤，提高推理效率。我们进一步从京都基因和基因组百科全书（KEGG）构建匿名基准，用匿名符号替换每个基因和分子标识符，同时保留序列和通路拓扑，从而消除记忆捷径。 GenoMorph 将加权 F1 从 0.7863 (BioReason) 提高到 0.9412，并通过自适应潜在推理进行拒绝采样微调，将其推至 0.9725，同时将延迟减少近 60%。在匿名基准上，它达到 0.9465 F1，大大优于之前的系统，并证实准确的疾病预测可以来自路径推理，而不是记忆的基因与疾病关联。