Genolator enables protein function interpretation using a multimodal large language model fusing genomic and structural interpretation with natural language interaction.

Modèle de langage multimodal fusionnant les plongements de séquences ADN, de séquences d'acides aminés et de structures protéiques avec des requêtes en langage naturel

Les modèles de langage traitent aujourd'hui soit le langage naturel, soit le code génomique, rarement les deux. Genolator est un modèle de langage multimodal qui intègre des plongements de séquences ADN, de séquences d'acides aminés et de structures protéiques avec des requêtes formulées en langage naturel. Affiné sur plus de 365 000 paires question-réponse construites à partir de termes abstraits de la Gene Ontology, il répond à des questions portant sur la localisation subcellulaire, la fonction moléculaire et les processus biologiques d'une protéine. Les auteurs rapportent une exactitude élevée pour confirmer ou infirmer une association de fonction protéique, supérieure à celle de modèles généralistes ouverts comme GPT-4.1 et à celle de modèles spécialisés plus petits intégrant un transformeur de structure protéique. L'exploration des états cachés, l'analyse des têtes d'attention et une étude d'ablation étayent l'apport de l'approche multimodale.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

La fusion séquence-structure-langage est architecturalement intéressante, mais l'évaluation ne quitte jamais le terrain de la Gene Ontology : aucun variant de patient, aucune tâche diagnostique. Surpasser GPT-4.1 sur des questions dérivées d'annotations fonctionnelles ne dit rien de la capacité à trancher une hypothèse gène-maladie, qui est la question réellement posée devant un exome. À suivre comme brique d'annotation, pas comme aide à l'interprétation clinique.

Analyse par Dr Thibaut Benquey