پیش‌بینی ژنومی مبتنی بر فیلوژنی با GPN-Star

مدل‌های زبانی ژنومی برای پیش‌بینی اثر واریانت‌های ژنتیکی بر صفات پیچیده توسعه یافته‌اند. یکی از رویکردهای امیدوارکننده، آموختن محدودیت‌های تکاملی از داده‌های هم‌ترازی ژنوم کامل است. یی و همکاران، مدل زبانی ژنومی مبتنی بر فیلوژنی به نام GPN-Star (شبکه پیش‌آموخته ژنومی با بازنمایی درخت گونه‌ای و هم‌ترازی) را معرفی می‌کنند. این مدل با بهره‌گیری از هم‌ترازی ژنوم کامل چندگونه‌ای و فیلوژنی متناظر با آن، به‌طور کارآمد واریانت‌های ژنتیکی کارکردی را که در صفات ارثی نقش دارند، پیش‌بینی می‌کند. GPN-Star که روی هم‌ترازی‌های ژنوم کامل گونه‌های مهره‌دار، پستاندار و نخستی‌سانان آموزش دیده است، عملکردی استثنایی در پیش‌بینی اثرات واریانت‌های کدونی و غیرکدونی بر استعداد ابتلا به بیماری‌های ژنتیکی انسان از خود نشان می‌دهد. این مدل همچنین غنای وراثت‌پذیری صفات پیچیده را افزایش می‌دهد و محدودیت‌های تکاملی را در ژنوم انسان به‌طور دقیق شناسایی می‌کند. نویسندگان برای نشان دادن تعمیم‌پذیری این مدل، آن را روی پنج ارگانیسم مدل — Mus musculus، Gallus gallus، Drosophila melanogaster، Caenorhabditis elegans و Arabidopsis thaliana — آموزش داده‌اند. محدودیت‌های آموخته‌شده توسط GPN-Star، عناصر کارکردی و هم‌تکاملی آن‌ها را برجسته می‌کند. پیش‌بینی می‌شود که GPN-Star به یک مدل هوش مصنوعی مقیاس‌پذیر برای تفسیر محدودیت‌های کارکردی سراسر ژنوم در گونه‌های مختلف تبدیل شود.

مرجع اصلی: Nature https://doi.org/10.1038/s41586-026-11005-5 (2026)