基因变异解读这件事，GenomixIQ 的做法是反过来的：能算的全部交给代码算，算不了的才交给语言模型，最后所有结果都标出来等人工确认。这套分工的逻辑，以及它目前还差在哪，值得拆开看。
2015 年发布的 ACMG/AMP 指南（Richards 等人，发表于《Genetics in Medicine》）把变异分成五个等级：致病、可能致病、意义不明、可能良性、良性。分级靠的是把人群、计算、功能和共分离等来源的证据标准组合起来。这里面很大一部分工作是查表和算术，另一部分需要判断力。这两类事不该由同一个组件处理。
具体落到六条标准上：BA1、BS1、PM2、PVS1、PP3 和 BP4。输入包括 MANE 转录本上的 Ensembl VEP 注释、gnomAD v4.1 的过滤等位基因频率、Ensembl 转录本结构，以及 ClinGen 的参考快照。如果某个 ClinGen 专家小组已经发布了自己的规则，就采用该小组允许的证据强度。
因为这一步是确定性的，所以它可以被测试。团队拿 ClinGen 专家小组在 175 个基因、13,447 条分类上应用过的代码做了对比。在双方都做出判断的病例上，一致率分别是：
- BA1：94.5%
- PP3：92.5%
- BP4：92.3%
- BS1：90.0%
- PM2：88.7%
- PVS1：86.4%
这是一致率，不是准确率。只有双方都给出判断的病例才计入，而且只覆盖有专家小组的基因。剩下的分歧来自几个方向：基因特异的 PVS1 决策树、专家小组自定的 SpliceAI 或 REVEL 阈值，以及基于旧版 gnomAD 做出的解读。
语言模型负责的是规则够不着的证据，比如功能证据、共分离证据和表型证据，并在规则输出旁边给出一个分类建议。这部分没有拿专家小组做过验证，团队把它当作建议看待。
为什么不把引用文献的事交给模型？2025 年一项针对变异文献检索生成式 AI 工具的 bioRxiv 基准测试发现，当一个变异的已发表文献很少时，大多数工具的抗幻觉能力会下降。作者把文献少和更高风险的无依据论断联系在一起。而这恰恰是实验室最需要帮助的场景，所以模型给出的引用不能单独成立。
每个结果都带一个 G-ARVIS 评分，覆盖六个维度：有据性、自置信度、可靠性、方差、推理成本和安全性。这些是内部质量信号，不是准确率指标。安全规则很简单：一个致病或可能致病的判断如果没有任何引用，得分为零，并被标记为需要人工复核。
这道检查只能确认引用存在，不能确认引用支撑了这个判断。遗传学家仍然要自己读一遍。评分思路是开源的，引擎以 argus-llm 之名发布在 PyPI 上，采用 Apache 2.0 协议，GenomixIQ 在其上叠加了自己针对基因组学的评分。
已知的限制也摆在那里：在测试环境中，每个变异的分类需要几十秒；免费演示服务器的首次调用最长可能要等一分钟；任务存在服务器内存里，重启可能丢失；免费试用有额度上限，且仅限公开或去标识化的数据。这些都不用于临床。
作者 Anil Prasad 是 GenomixIQ 的联合创始人兼 CTO，也是 Ambharii Labs 的创始人。他欢迎做变异解读的人把规则与专家小组判断不一致的案例发给他。
热门跟贴