MetaboLLM: a metabolomics-specialized large language model for biochemical knowledge integration and predictive metabolite graph construction

📄 arXiv: 2608.06253v1 📥 PDF

作者: Dohyun Ku, Min Gu Kwak, Francisco J. Pasquel, Jing Li

分类: cs.LG

发布日期: 2026-08-06

备注: 60 pages, 3 figures, 16 tables; includes Supplementary Information

💡 一句话要点

提出MetaboLLM以解决代谢组学知识整合与预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 代谢组学 大型语言模型 图同构网络 生化知识 预测模型 个性化医疗 数据整合

📋 核心要点

  1. 现有代谢组学知识分散且难以整合，导致预测模型效果不佳。
  2. MetaboLLM通过持续预训练和微调，结合结构化检索，专门针对代谢组学进行优化。
  3. MetaboLLM在多项任务上表现优异，尤其在应激高血糖和激素分类预测中显著提升了性能。

📝 摘要（中文）

代谢组学知识分散在异构资源中，难以转化为可预测的表示。本文开发了MetaboLLM，这是一种专门针对代谢组学的大型语言模型，通过持续预训练、监督微调和结构化检索进行适配。同时，MetaboLLM-GIN将生成的生化描述转换为代谢物图，用于患者级预测。MetaboLLM在代谢组学知识、关系和描述任务上超越了相应的基础和医学适配模型，并成功迁移到外部公共基准。MetaboLLM-GIN在冠状动脉旁路移植术后的应激高血糖预测中取得了最高的AUC（0.8616），在绝经后激素方案分类中也达到了0.8123，超越了传统模型和其他图构建方法。这些结果表明，领域专门的语言模型能够将异构生化知识组织成可预测和可解释的代谢物图表示。

🔬 方法详解

问题定义：本文旨在解决代谢组学知识的整合与预测问题，现有方法在处理异构知识时存在效率低下和准确性不足的痛点。

核心思路：MetaboLLM通过持续预训练和监督微调，结合结构化检索，专门针对代谢组学进行优化，从而提高知识的可用性和预测能力。

技术框架：整体架构包括三个主要模块：持续预训练模块、监督微调模块和结构化检索模块，此外，MetaboLLM-GIN用于将生成的生化描述转换为代谢物图。

关键创新：最重要的技术创新在于将大型语言模型与图同构网络结合，能够有效地将生化知识转化为可预测的图形表示，显著提升了模型的解释性和预测能力。

关键设计：在模型设计中，采用了特定的损失函数以优化图结构的生成，同时在网络结构上进行了针对代谢组学特征的调整，以提高模型的适应性和性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

MetaboLLM-GIN在应激高血糖预测中取得了0.8616的最高AUC，在绝经后激素方案分类中达到了0.8123，显著超越了传统模型和其他图构建方法，展示了其在代谢组学领域的强大性能。

🎯 应用场景

该研究的潜在应用领域包括临床医学、个性化医疗和生物信息学等。通过将代谢组学知识转化为可预测的图形表示，MetaboLLM可用于疾病预测、治疗方案优化等实际场景，具有重要的实际价值和未来影响。

📄 摘要（原文）

Metabolomics knowledge is distributed across heterogeneous resources and remains difficult to translate into predictive representations. We developed MetaboLLM, a metabolomics-specialized large language model adapted through continual pretraining, supervised fine-tuning, and structured retrieval, together with MetaboLLM-GIN, which converts generated biochemical descriptions into metabolite graphs for patient-level prediction using a graph isomorphism network. Across four backbone families, MetaboLLM outperformed corresponding base and medically adapted models on metabolomics knowledge, relational, and description tasks, and transferred to an external public benchmark. MetaboLLM-GIN achieved the highest AUC for stress hyperglycemia prediction after coronary artery bypass grafting (0.8616) and postmenopausal hormone-regimen classification (0.8123), outperforming conventional models, alternative graph constructions, and graphs generated from unadapted or non-retrieval LLM configurations. Model interpretation further produced biologically meaningful findings in both applications. These results show that domain-specialized language models can organize heterogeneous biochemical knowledge into predictive and interpretable metabolite graph representations.