[論文レビュー] Gene-associated Disease Discovery Powered by Large Language Models

Jiayu Chang, Shiyu Wang+3 more|arXiv (Cornell University)|Jan 16, 2024

Biomedical Text Mining and OntologiesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文は、PubMed APIとGPT-4などの大規模言語モデル（LLM）を活用して、関連する科学文献を取得・要約することで、遺伝子-疾患関連の自動発見を可能にするフレームワークを提案する。このシステムは、特定の遺伝子に関連する疾患を高い正確性で同定・順位付けする。アルツハイマー病に関しては、上位20件の順位付けにおいて0.8のヒットレートを達成し、現実的で文脈に配慮した疾患予測において優れた性能を示している。

ABSTRACT

The intricate relationship between genetic variation and human diseases has been a focal point of medical research, evidenced by the identification of risk genes regarding specific diseases. The advent of advanced genome sequencing techniques has significantly improved the efficiency and cost-effectiveness of detecting these genetic markers, playing a crucial role in disease diagnosis and forming the basis for clinical decision-making and early risk assessment. To overcome the limitations of existing databases that record disease-gene associations from existing literature, which often lack real-time updates, we propose a novel framework employing Large Language Models (LLMs) for the discovery of diseases associated with specific genes. This framework aims to automate the labor-intensive process of sifting through medical literature for evidence linking genetic variations to diseases, thereby enhancing the efficiency of disease identification. Our approach involves using LLMs to conduct literature searches, summarize relevant findings, and pinpoint diseases related to specific genes. This paper details the development and application of our LLM-powered framework, demonstrating its potential in streamlining the complex process of literature retrieval and summarization to identify diseases associated with specific genetic variations.

研究の動機と目的

• 静的で古くなった疾患-遺伝子データベースの限界を克服し、リアルタイムで動的に遺伝子-疾患関連を発見することを目的とする。
• 数千件に及ぶ医学文献を手作業で精査する作業を自動化し、特定の遺伝子に関連する関連疾患を特定することを目的とする。
• 最新の研究に基づいたタイムリーな証拠に基づいた疾患予測を提供することで、臨床意思決定を向上させることを目的とする。
• 科学的要約文から得られる文脈的証拠を用いて、LLMが遺伝子-疾患関連を理解し順位付けする効果性を評価することを目的とする。

提案手法

• 遺伝子固有の検索キーワードに基づき、関連性と新規性を基準として、PubMed API を用いて上位-K 件の科学的文献を取得する。
• 微調整されたプロンプトを用いて、LLM（例：GPT-4）に記事の要約や疾患関連の抽出を指示する。
• LLMにおける文脈学習を活用し、語彙的キーワード（例：「最も一般的な」や「20％関連」）に基づいて、関連の強さを評価し、疾患を順位付けする。
• LLM推論に使用する文献リファレンス数を制御するためのリtrievalハイパーパrameter N を適用し、知識の密度と関連性を最適化する。
• 主評価指標として、アルツハイマー病のようなターゲット疾患を特定する際のリCALL性能を測るため、上位-K におけるヒットレート（HR）を用いる。
• ベンチマークのため、DisGeNETデータベースのキュレートされたサブセットを用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 LLMは、関連する科学的文献を効果的に取得・要約し、特定の遺伝子に関連する疾患を同定できるか？
• RQ2 取得された文献リファレンス数（N）が、LLMによる疾患順位付けの正確性にどのように影響するか？
• RQ3 LLMは、医学文献内の文脈的手がかりをどの程度理解し、遺伝子-疾患関連の強さを評価できるか？
• RQ4 本フレームワークの性能は、伝統的な静的データベースと比較して、リCALL性能とリアルタイムの関連性の面でどのように異なるか？

主な発見

• アルツハイマー病のヒットレートは、上位20件の順位付けにおいて0.8に達し、正しい疾患を上位順位の出力から効果的に同定できていることを示している。
• 取得された文献リファレンス数（N）が増加するにつれて、アルツハイマー病が上位-K 結果に現れる頻度も上昇し、知識カバレッジが広がるに従いリCALL性能が向上していることが示された。
• LLMは文脈的理解を示し、PSEN1に対して「家族性アルツハイマー病の最も一般的な原因」といった表現を根拠に、アルツハイマー病を主な関連疾患として正しく特定した。
• Kが2から20に増加するに従い、HRが安定して上昇し、特にK=10、15、20で顕著な向上が観察された。これは、さまざまな順位付け閾値においてもフレームワークの堅牢性が裏付けられていることを示している。
• 本システムは、PSEN1に対してアルツハイマー病をトップにランク付けし、要約文の内容に基づいて、遺伝子と関連する主な疾患を正しく特定した。
• 結果から、LLMが複雑な医学文献を効果的に処理し、高い正確性で疾患関連を抽出・順位付けできることが確認された。