인간 게놈 전역 변이에 LLM 임베딩 통합
Incorporating LLM Embeddings for Variation Across the Human Genome
최근 대규모 언어 모델(LLM) 임베딩의 발전으로 생물학적 데이터에 대한 강력한 표현이 가능해졌지만, 지금까지 대부분의 응용은 유전자 수준 정보에 초점을 맞추고 있다. 우리는 인간 게놈 전역에 걸쳐 유전 변이 수준 임베딩을 생성하는 최초의 체계적 프레임워크 중 하나를 제시한다. FAVOR, ClinVar, GWAS Catalog의 큐레이션된 주석을 사용해 89억 개의 가능한 변이에 대한 기능적 텍스트 설명을 구성하고, 세 가지 규모에서 임베딩을 생성했다: HapMap3/MEGA 변이 150만 개, 보간된 UK Biobank(UKB) 변이 9천만 개, 가능한 모든 변이 90억 개. 임베딩은 OpenAI의 text-embedding-3-large와 오픈소스 Qwen3-Embedding-0.6B 모델을 포함한 범용 모델로 생성했다. 기준선 품질 관리 실험은 변이 수준 특성에 대한 높은 예측 정확도를 보여 주며, 임베딩이 게놈 변이의 구조화된 표현임을 검증한다. 또한 실제 임베딩 증강 유전적 위험 예측에 이를 적용하여, UK Biobank 코호트 데이터에서 다유전자 위험 점수(PRS)형 예측에 LLM 임베딩을 사용할 때의 성능을 보여 준다. Hugging Face에서 공개 제공되는 이 자원은 대규모 게놈 발견과 정밀 의학 발전의 토대를 제공한다.