KANG2P enables interpretable genotype-to-phenotype prediction through genetically anchored molecular-state learning
KANG2P 是一个可扩展、可解释的框架，它通过整合基于模态特定自编码器和 Kolmogorov–Arnold 网络生成的遗传预测分子谱，增强了从基因型到表型的预测准确性和机制洞察力，并成功识别出通过跨物种功能分析验证的新型疾病基因。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，遗传学一直承诺要解释由 DNA 编写的生命代码是如何转化为生物体那生动、呼吸着的现实的。这种被称为“从基因型到表型映射”的转化过程，是现代生物学的核心挑战。这就像是区分了“阅读一份配料表”与“理解这些配料如何组合成一个蛋糕”之间的差异。虽然科学家们已经非常擅长阅读这些“配料”——即导致一个人易患某种疾病或使一株植物长得更高的特定 DNA 变异——但理解其中复杂的、隐形的中间步骤仍然十分困难。这些步骤涉及一系列分子事件的级联反应，其中基因通过开启或关闭来产生蛋白质和其他分子，并最终塑造出物理性状。从静态的 DNA 代码到动态、复杂的最终结果之间存在着巨大的鸿隙，而弥合这一差距需要能够处理巨大复杂性且不丧失“为何做出该预测”之解释能力的工具。
一种名为 KANG2P 的新框架为解决这一问题提供了全新的思路，旨在预测物理性状和疾病风险，同时保持生物学逻辑的清晰。该系统并非将 DNA 视为简单的开关列表，而是充当了一个重建隐藏分子步骤的“翻译官”。它从遗传数据开始，利用从大型参考群体中学习到的信息，来构想特定个体的分子景观。随后，它将这种构想出的分子状态与原始遗传代码相结合，以预测最终结果，无论是人类神经退行性疾病的风险，还是农田中作物的产量。这一方法的独特之处在于，它不仅仅是在猜测答案，它还揭示了通往结果的路径，识别出哪些特定的基因和分子通路在驱动这一结果。
KANG2P 的研究人员构建该系统是为了解决生物学研究中的一个特定瓶颈。传统上，为了准确预测复杂的性状，科学家需要测量同一批个体的 DNA、RNA 和蛋白质。这就像是通过测量汽车的引擎、车轮和燃料来试图理解汽车，但对象却是数百万的人类或植物。这通常是无法实现的，因为采集人类大脑组织或收获特定植物部分既昂贵、具有侵入性，对于大规模群体而言也根本不可行。KANG2P 通过采用两步策略绕过了这一障碍。首先，它从同时具备这两类信息的现有大型数据集中，学习 DNA 如何影响分子活动的规则。然后，它将这些规则应用于仅有 DNA 数据的群体，从而有效地从遗传代码中重建出缺失的分子图景。
一旦系统重建了这些分子谱图，它就会将其输入到一个被称为“柯尔莫哥洛夫-阿诺德网络”（Kolmogorov–Arnold Network）的高级数学引擎中。与许多充当“黑箱”、做出预测却不揭示其内部逻辑的现代人工智能模型不同，该引擎的设计初衷就是透明化。它以一种允许科学家将每一个基因的影响追溯到最终预测的方式，学习基因、分子与性状之间复杂的非线性关系。研究人员在两种截然不同的问题上测试了这个框架：一是预测人类肌萎缩侧索硬化症（ALS）和阿尔茨海默病的风险；二是预测水稻和玉米的谷物产量及植株高度等农业性状。
在人类疾病研究中，该系统表现出了卓越的效能。在预测 ALS 风险时，KANG2P 的表现优于现有的方法，包括其他先进的人工智能模型。更重要的是，它不仅成功识别了已知参与该疾病的基因（如 SOD1），还挖掘出了此前未被优先考虑的新候选基因。其中一个新候选基因名为 SLC1A2，研究人员通过研究具有该基因变体的模式生物——线虫（C. elegans）来验证其功能。他们发现，携带该基因缺陷版本的线虫运动困难，并且对氧化应激（一种与 ALS 相关的细胞损伤）更为敏感。这种实验验证证实，计算机的预测并非仅仅是统计上的巧合，而是指向了一个真实的生物学机制。在阿尔茨海默病的研究中也取得了同样的成功，该系统通过整合遗传数据与预测的蛋白质水平，提升了风险预测的准确性。
该框架在对粮食安全至关重要的农业领域也展示了其威力。研究人员将 KANG2P 应用于大规模的水稻和玉米种群。在这些测试中，该系统在预测谷物产量和植株高度等方面，始终比传统的统计模型和其他深度学习方法更准确。一个关键发现是，该系统重建缺失分子层的能力甚至提升了那些较旧、较简单的模型的表现。当研究人员将重建后的分子数据输入到这些既有模型中时，其性能得到了提高，这表明分子信息捕捉到了 DNA 本身无法完全表达的一层生物学现实。这意味着该方法的价值不仅限于这个特定的新模型，它还提供了一种用生物学背景来丰富任何遗传预测的方法。
KANG2P 的优势在于它能够将庞大且复杂的数据集转化为清晰、可操作的故事。通过将其预测锚定在受遗传调控的分子状态之上，它架起了静态 DNA 代码与动态生命现实之间的桥梁。它不需要完成在每个个体中测量每种分子的不可能任务，却依然能够洞察分子的图景。这使其成为一个跨物种理解复杂性状的可扩展工具，无论是人类大脑还是稻田。这项工作表明，通过将大型参考数据集的力量与透明、可解释的机器学习相结合，科学家可以超越简单的预测，实现真正的生物学发现，识别出驱动健康与疾病的具体基因和通路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。