全基因组关联研究里，超过90%和疾病相关的变异都藏在基因组非编码区。可现有AI解读这些变异时，十有八九会瞎编数据——这是基因组医学领域没人敢说的痛点。
AI解读非编码变异，为啥总“瞎编”？
大语言模型解读非编码变异时，容易犯三类错：编造转录因子（TF）结合变化、伪造实验支持、给统计不显著的信号硬贴生物学意义。我之前帮实验室查数据，就碰到过AI给的“转录因子结合变化”，翻遍ADASTRA、JASPAR这类公开数据库，连实验编号都找不到影子——纯编的。这种“幻觉”直接堵死了AI在临床、药物靶点筛选里的应用，成了绕不开的死结。
ARGUS的解法：把生物计算和AI拆成两部分
ARGUS的核心思路很简单：不让AI直接做解读，只让它管“找什么证据”，解读权交给确定性的生物计算模型。它包装了458个基于DNABERT的TF结合模型，搭了个闭环：规划者根据当前不确定性选证据源，验证者用纯生物规则解释每一步观察，中间结果还能调整调查路径。说白了，AI只负责“规划去哪找数据”，不负责“解读数据”——彻底把AI的想象力和生物事实隔开了。
实测：对4种TF的解读，差距在哪？
拿rs6983267这个8q24癌症风险位点的变异试手，ARGUS规划者给4种TF走了完全不同的路径，所有数据都来自真实数据库，没有模拟。FOXA1走了3步，用了ADASTRA的15个实验，FDR值0.030，修正了模型的假阴性；KLF6走了8步，翻了ADASTRA、JASPAR、ENCODE三类数据，因证据混杂放弃解读；RAD21走了8步，ADASTRA给的5个实验FDR值0.65，没统计意义，也放弃；SP1和FOXA1一样有饱和预测，但没找到直接实验证据，最终也放弃。对比固定优先级的解读方式，ARGUS的AI规划者用更少工具调用，得到了完全一致的结论——因为它会主动拒绝那些没法解决问题的无效证据。
对基因组医学、药企来说，这是实打实的进步。之前AI解读的变异，一半是幻觉，没法用在任何需要严谨性的场景里。ARGUS把AI的“乱编”风险降到了最低，解读结果全靠确定性的生物规则，靠谱度直接上了一个台阶。
不过有个问题没标准答案：这种“AI做规划，生物模型做判断”的模式，会不会成为下一代基因组解读工具的标配？毕竟现在还有不少团队在搞全AI解读，谁也说不准哪种真的能落地。
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、AI智能体、科研前沿
查看报道原文
发表第一条评论吧