深度解析医学证据，lxfs.net为你支撑决策 全球约有4.46亿人罹患罕见疾病，然而由于每种疾病受累人群极少，患者往往经历长达数年的诊断延迟，且仅有不到5%的罕见病拥有获批的治疗方案。面对这一严峻现实，人工智能技术的快速发展为罕见病的早期识别和药物开发带来了新的希望。近年来，研究者们不仅构建了专门针对基因组变异致病性预测的专用模型，还开发了基于海量生物数据的基础模型和前沿大语言模型，试图从不同层面破解罕见病诊断难、治疗少的困局。这些模型各具特色，有的擅长从进化信息中甄别致病突变，有的能够提供可溯源的推理过程辅助临床决策，还有的通过迁移学习将大规模数据集中蕴含的生物学知识应用于数据稀缺的罕见病场景，但其真实世界的有效性和局限性同样值得审慎审视。 在方法层面，针对蛋白质编码突变致病性预测这一核心难题，哈佛大学博士后Rose Orenbuch及其团队在原有EVE模型基础上融合了蛋白质大语言模型，并利用群体层面的人类遗传数据进行无监督训练，开发出新一代AI模型popEVE。该模型无需依赖个体的表型信息，仅从遗传序列的内在模式中学习，能够对基因变异的致病性进行排序，弥补了前代模型无法提