How Effectively Can Large Language Models Connect SNP Variants and ECG Phenotypes for Cardiovascular

文章总结与翻译

一、文章主要内容

本文聚焦于利用大型语言模型（LLMs）连接单核苷酸多态性（SNP）变异与心电图（ECG）表型，以实现心血管疾病（CVD）风险预测，核心内容可分为以下几部分：

1. 研究背景与问题

心血管疾病是全球首要死因，2023年约2050万人死于该病。尽管全基因组关联研究（GWAS）已发现诸多与心血管疾病相关的SNP，但SNP与心电生理表现（如ECG特征）间的机制联系仍不明确。传统统计模型（如GWAS、多基因风险评分）难以捕捉基因组中的非线性关系和上位性相互作用，而整合基因组数据与动态表型生物标志物（如ECG特征）的研究较为稀缺，亟需可解释、可扩展的心血管基因组模型。

2. 研究方法

• 数据整合与分层：构建统一的心血管基因组数据集，整合高分辨率SNP基因分型数据与ECG提取的形态学、时间特征，并将8856名参与者按标签可用性分为三层——Tier 1（有明确心脏诊断）、Tier 2（有间接心脏风险指标，如高血压）、Tier 3（无标签或无已知心脏诊断）。
• 特征工程：Tier 1基于GWAS筛选高置信度SNP；Tier 2采用TF-IDF表示SNP谱以突出罕见或队列特异性变异；Tier 3通过无监督聚类挖掘潜在基因型-表型分组，推断风险水平。
• 模型训练：采用思维链（CoT）提示构建，整合ECG特征、SNP变异、诊断标签等信息；使用低秩适应（LoRA）对GPT-2、