SoftGene：蛋白语言模型增强的基因集注释软提示

基因集分析是功能基因组学的基石，但仍劳动密集且高度依赖人工策展与专家生物学解释。虽然LLM已成为基因组推理与注释的强大工具，多数既有方法依赖符号基因名，无法捕捉领域特异的生物学结构——尤其是支配分子活性、相互作用与下游基因功能的蛋白序列信息。我们提出SoftGene，利用基因集层级结构的LLM基因集注释新框架：先用构建于蛋白语言模型ESM上的层级注意力编码器，以蛋白级氨基酸序列信息表示每个基因集；再构建混合提示方案——把源自基因集嵌入的软提示与含LLM生成辅助上下文的硬提示组合，送入本地LLM做注释。我们在Gene Ontology（GO）与分子特征数据库（MSigDB）两个基准数据集上评估：结果显示蛋白序列表示与文本语境的结合总体改善基因集注释，而逐域分析揭示蛋白嵌入的贡献因生物领域而异。