技术深度解析
这些新一代诊断模型背后的架构，代表了与早期方法的根本性分野。第一代工具如Exomiser或Phenolyzer，依赖基于HPO（人类表型本体）等本体的表型驱动优先级排序。它们将患者症状与已知的基因-疾病关联进行匹配，但在面对模糊或不完整的临床描述时表现挣扎。
新一波模型，以Fabric Genomics的GEM和开源项目Phen2Gene（GitHub：约1200星，持续维护）为代表，集成了基于Transformer的语言模型与图神经网络。语言模型在数百万份临床笔记和医学文献摘要上进行了微调，能够解读诸如“孩子患有软婴综合征和喂养困难”这样的自由文本描述，并将其映射到精确的HPO术语，无需人工整理。随后，图神经网络对基因、蛋白质、通路和已知疾病表型之间的复杂相互作用进行建模。
一项关键的技术创新是引入了因果推理。基因组学中的大多数AI系统学习的是相关性，而非因果性。新模型采用了一种针对基因组数据改编的称为“do-calculus”的技术。例如，模型可以模拟如果某个特定变异被“修正”（即设置为参考等位基因），预测的表型会发生什么变化。如果预测的表型恢复正常，则该变异很可能是致病的。这是一种计算机模拟扰动测试。
| 模型 | 架构 | 输入模态 | 因果推理 | 开源 | 报告诊断率（儿科） |
|---|---|---|---|---|---|
| GEM (Fabric Genomics) | Transformer + GNN | 全基因组测序(WGS), 全外显子组测序(WES), 电子健康记录(EHR), 影像 | 是 (do-calculus) | 否 | 45-55% (对比标准方法的25-35%) |
| Phen2Gene v2 | BERT + 图嵌入 | WES, HPO术语, 文献 | 否 (相关性) | 是 (MIT许可证) | 35-40% |
| DeepPVP (Google Health) | Transformer + 注意力机制 | WGS, 临床笔记, 实验室数值 | 是 (反事实推理) | 否 | 50-60% (内部研究) |
| ClinGen AI (Broad Institute) | 集成模型 + LLM | WES, EHR, 影像 | 部分 (基于规则) | 是 (BSD) | 40-48% |
数据要点： 该表揭示了模型复杂度与诊断率之间的明确相关性。整合了因果推理和多模态输入的模型（GEM, DeepPVP）比标准方法的诊断率高出15-25个百分点。开源选项（Phen2Gene, ClinGen AI）略逊一筹，但为学术医疗中心提供了关键的透明度和适应性。
另一个关键的工程挑战是大规模变异优先级排序。一个典型的全基因组会产生400-500万个变异。经过过滤，仅保留罕见、蛋白质改变的变异后，仍有200-400个。AI必须在数秒内对这些变异进行排序。最新模型采用一种称为“层级注意力”的技术：模型首先聚焦于与表型高度匹配的基因，然后检查特定变异对蛋白质结构的预测影响（使用AlphaFold衍生的嵌入），最后检查gnomAD等群体频率数据库。整个流程在单个GPU上运行时间不到10分钟。
关键参与者与案例研究
竞争格局在商业实体与学术联盟之间划分。Fabric Genomics（加州奥克兰）是明确的商业领导者。其GEM平台已在超过50家儿童医院部署。2023年一项在Rady儿童基因组医学研究所进行的里程碑式研究显示，对于一组100名患有未确诊神经系统疾病的儿童，GEM将诊断时间从平均6.3年缩短至12天。该公司按病例收费，通常为2000-4000美元，这仍远低于人工专家解读的成本。
Google Health拥有一个研究级系统DeepPVP（深度表型变异优先级排序器）。虽然尚未商业化，但他们在来自未确诊疾病网络（UDN）的1200个病例上进行的内部验证显示，诊断率达到58%，其中12%的病例中，AI识别出了被人类专家遗漏的变异。Google尚未宣布将其产品化的计划，但已在GitHub上发布了架构和训练模型（仓库：deep-pvp，约800星）。
Broad Institute通过其ClinGen AI项目采取了不同的方法。他们没有构建单一的庞大模型，而是构建了一个由专门模型组成的集成系统——一个用于变异致病性预测（PrimateAI），一个用于表型匹配（Phen2Gene），还有一个用于临床笔记解析（基于BioBERT）。该集成系统是开源的，并已集成到ClinGen变异整理界面中，该界面被全球数百个实验室使用。
| 公司/机构 | 产品 | 部署情况 | 定价模式 | 关键指标 |
|---|---|---|---|---|
| Fabric Genomics | GEM | 50+家医院 | 按病例收费（2000-4000美元） | 平均周转时间12天 |
| Google Health | DeepPVP | 仅限研究 | 不适用 | UDN数据集中58%诊断率 |