SoftGene：融合蛋白语言模型与软提示的可解释基因集注释框架

基因集分析历来是功能基因组学的重要支柱：自GSEA提出以来，通过把基因列表与共享生物学功能、染色体位置或调控关系的基因集相对照，研究者得以从全基因组表达数据中提炼生物学洞见^[1]。此后，各类工具让这一范式更易用、更可扩展——clusterProfiler 4.0 为数千种物种提供了通用的功能富集接口^[3]，ShinyGO 把富集结果与通路图、蛋白互作网络等图形化信息整合^[2]，GSEApy 借助 Rust 实现大幅提升了大规模单细胞数据的分析效率^[5]，Blast2GO 则从蛋白序列出发、基于 GO 词表做高通量功能注释^[4]。不过，无论统计富集还是序列注释，最终的功能解读仍高度依赖人工整理与专家判断；而现有的 LLM 注释方法多停留在符号化基因名层面，难以捕捉支配分子活性、相互作用与下游基因功能的蛋白序列信息。

SoftGene 正是针对这一痛点提出的框架。它的第一步是用建立在蛋白质语言模型 ESM 之上的层级注意力编码器，把每个基因集表示为基于氨基酸序列的蛋白质级信息；第二步则构造一种混合提示方案——由基因集嵌入导出的软提示，与 LLM 生成的辅助上下文构成的硬提示相结合——再交由一个本地 LLM 完成注释。作者在 Gene Ontology 和 MSigDB 这两个基准数据集上进行了评估，结果显示：把蛋白质序列表示与文本上下文结合，总体上改善了基因集注释效果；但分领域的分析同时揭示，蛋白质嵌入的贡献在不同生物学领域之间并不一致。

从领域的角度看，这项工作的意义在于把蛋白序列层面的表示引入了 LLM 注释管线。与 Blast2GO 直接从序列映射到 GO 词条的做法^[4]不同，SoftGene 让序列嵌入以软提示的形式参与 LLM 的推理过程，并与文本上下文互补，这也在标题所强调的可解释性上做了一定探索。相对于以符号基因名为输入的主流 LLM 方案，它试图让模型“看到”决定分子功能的序列结构本身，而不只是基因的名字。

当然，需要提醒的是，这是一篇未经同行评议的 arXiv 预印本，结论有待检验。摘要中自己也承认，蛋白质嵌入的贡献为何随生物学领域而异，目前仍是一个未解的问题——哪些领域最受益、为何受益，还有待后续工作给出答案。