GeneBench-Pro 基准测试案例详解

以下 10 个案例展示了 GeneBench-Pro 中的代表性题目。每个案例包括原始提示、数据集和支持材料。如需了解基准测试概览和关键发现，请参阅公告博客。

注意：文件预览仅显示完整数据集的摘要。

---

案例 1：体细胞肿瘤学——结构性变异引导的肿瘤治疗获益-风险决策

评估一种合成 TXR1 定向抑制剂在由结构性变异驱动靶点激活的肿瘤中是否具有积极的临床效用。TXR1、TXR1i、DLR1 和星号等位基因标签均为合成基准标签。

在解释获益和毒性作为治疗决策之前，必须从长读长测序、表达、肿瘤质量和药物基因组学证据中恢复目标亚组。

提供给模型的文件： 患者注册表协变量、治疗信息、第 16 周评估、获益和早期毒性数据。

---

案例 2：功能基因组学——CRISPR 靶标验证：lncRNA 转录本还是基因组位点？

判断一个明显的 lncRNA 依赖性是否具有转录本特异性，还是由邻近位点和邻居基因效应驱动。

转录本导向的证据必须通过局部 DNA 位点扰动、邻居基因抑制、引导序列互换、GC 毒性和板效应的对照。

提供给模型的文件： 引导序列坐标、靶标、距离和 GC 特征。

---

案例 3：统计遗传学——在连锁遗传位点中对蛋白质药物靶标进行优先级排序

使用顺式多变量孟德尔随机化（cis-MVMR）估计两种邻近蛋白质的直接疾病效应，同时处理测定量表、等位基因方向、赢家诅咒、连锁不平衡和残差局部多效性。

这两种蛋白质共享一个相关位点。分析必须从边际关联转向条件性、对连锁不平衡敏感的、在共同蛋白质尺度上的疾病效应。

提供给模型的文件： 针对 PROTA 的筛选阶段蛋白质关联汇总数据。

---

案例 4：临床基因组学/携带者筛查——在 CNV 和假基因校准下的 DRX1 携带者筛查残余风险

从携带者筛查测定数据中估算祖先特异性携带频率、阴性筛查后的残余风险、伴侣携带频率以及受影响胚胎的风险。

残余风险估计依赖于假基因感知的携带者判定、创始人单倍型坍塌、祖先特异性测定校准，以及从已检测伴侣到完整伴侣名单的标准化。

提供给模型的文件： 筛查人员名单的成年个体数据，包括祖先和筛查背景。

---

案例 5：单细胞基因组学——在环境 RNA 校正后的活化单核细胞 eQTL

在去除单细胞 RNA-seq 数据中的环境 RNA 和技术污染后，估计基因型对活化单核细胞表达的影响。

环境 RNA 既影响靶标表达，也影响用于判定活化状态的标记物组合，因此校正必须在 eQTL 模型之前进行。

提供给模型的文件： 每个细胞的 UMI 计数，包括标记基因、污染标记和靶基因。

---

案例 6：结构基因组学——嵌套结构变异：表达支持和临床关联

评估一个匿名倒位样位点内的嵌套结构亚单倍型是否具有经过校准的临床关联和可信的表达支持。

嵌套的拷贝数剂量信号可能被更广泛的倒位方向混淆，因此剂量校准、表达支持和临床建模必须保持独立。

提供给模型的文件： 完整队列的临床和协变量数据。

---

案例 7：调控基因组学——在结构变异和比对伪影掩蔽后测量染色质环强度

在从预期接触背景中移除低可比对性和结构性变异伪影后，量化局灶性病例-对照 Hi-C 环强度差异。

目标环以 20 kb 分辨率定义，但除非首先掩蔽低可比对性接触和仅病例存在的 SV 条带，否则预期接触模型会失真。

提供给模型的文件： 目标分辨率的 bin 注释。

---

案例 8：统计遗传学——利用创始人重建进行多亲本 QTL 作图

通过重建创始人祖先，在八亲本重组群体中定位 1 号染色体上的数量性状位点，然后进行表型关联检验。

可见标记数据是双等位基因的，但生物信号是创始人祖先。因此，一个站得住脚的分析必须重建创始人状态、检查标记方向，并将 QTL 与批次对齐的干扰峰分离。

提供给模型的文件： 标记标识符、染色体和遗传图谱位置。

---

案例 9：群体遗传学——亲本特异性祖先和近期混合时间

从分相局部祖先片段中推断亲本特异性祖先比例和近期混合时间，同时修复互惠伪影和染色体特异性标签反转。

如果互惠片段伪影、染色体局部标签反转或图谱分母处理不当，祖先比例和混合脉冲时间都会发生变化。

提供给模型的文件： 分相局部祖先片段，包括坐标、祖先标签、后验概率和质量控制注释。

---

案例 10：群体遗传学——从嘈杂的古 DNA 时间序列中估计选择信号

从古代等位基因频率时间序列中推断两个单倍体位点中哪一个受到更强的正选择，同时考虑等位基因方向、方向性误差、遗传漂变和不断变化的种群规模。

嘈杂的古轨迹在两者都置于相同的衍生等位基因尺度并且直接对提供的样本水平测序错误值进行建模之前，是无法直接比较的。

提供给模型的文件： 位点 A 的读段计数时间序列。

---

原文链接：OpenAI Blog
本文由前途科技编辑整理