Predicting Microbial Ontology and Pathogen Risk from Environmental Metadata with Large Language Models

📄 arXiv: 2507.21980v1 📥 PDF

作者: Hyunwoo Yoo, Gail L. Rosen

分类: cs.CL

发布日期: 2025-07-29

💡 一句话要点

利用大语言模型，仅凭环境元数据预测微生物本体和病原体风险

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

关键词: 大语言模型 微生物组 环境元数据 病原体风险预测 零样本学习

📋 核心要点

  1. 传统机器学习模型在微生物组研究中，尤其是在小样本和异构标签数据集中泛化能力不足。
  2. 利用大语言模型（LLM）直接从环境元数据预测微生物本体和病原体风险，无需复杂的特征工程。
  3. 实验表明，LLM在本体分类和污染风险预测方面优于传统模型，并具有良好的跨数据集泛化能力。

📝 摘要（中文）

本研究探索使用大语言模型（LLM）仅利用环境元数据将微生物样本分类到EMPO 3等本体类别和相关生物学标签，并预测病原体污染风险，特别是大肠杆菌的存在。传统的机器学习模型在微生物组研究中难以泛化，尤其是在小样本设置或具有异构标签格式的研究中。我们评估了ChatGPT-4o、Claude 3.7 Sonnet、Grok-3和LLaMA 4等LLM在零样本和少样本设置下的性能，并将它们与随机森林等传统模型在多个真实世界数据集上进行了比较。结果表明，LLM不仅在本体分类方面优于基线模型，而且在预测污染风险方面也表现出强大的能力，能够跨站点和元数据分布进行泛化。这些发现表明，LLM可以有效地推理稀疏、异构的生物元数据，并为环境微生物学和生物监测应用提供一种有前景的纯元数据方法。

🔬 方法详解

问题定义：该论文旨在解决微生物组研究中，仅依赖环境元数据进行微生物分类和病原体风险预测的问题。现有方法，特别是传统的机器学习模型，在数据量小、标签格式不统一的情况下，泛化能力较差，难以有效利用异构的元数据信息。

核心思路：论文的核心思路是利用大语言模型（LLM）强大的自然语言理解和推理能力，将环境元数据作为输入，直接预测微生物的本体类别和病原体污染风险。这种方法避免了传统机器学习方法中复杂的特征工程步骤，并能够更好地处理异构的元数据信息。

技术框架：该研究的技术框架主要包括以下几个部分：1) 数据收集：收集包含环境元数据和微生物信息的真实世界数据集；2) 模型选择：选择包括ChatGPT-4o、Claude 3.7 Sonnet、Grok-3和LLaMA 4等多种大语言模型；3) 实验设置：在零样本和少样本设置下，评估LLM在微生物本体分类和病原体风险预测任务上的性能；4) 性能评估：将LLM的性能与随机森林等传统机器学习模型进行比较，评估其泛化能力和预测准确性。

关键创新：该研究的关键创新在于将大语言模型应用于微生物组研究领域，并证明了LLM仅凭环境元数据即可有效预测微生物本体和病原体风险。这种方法摆脱了对特定领域知识的依赖，并能够更好地处理异构的元数据信息。

关键设计：研究中，LLM被用作分类器，直接将环境元数据作为输入，预测微生物的本体类别和病原体风险。在少样本学习设置中，研究人员向LLM提供少量带有标签的样本作为上下文信息，以提高其预测准确性。此外，研究人员还比较了不同LLM的性能，并分析了其在不同数据集上的泛化能力。

🖼️ 关键图片

fig_0
img_1

📊 实验亮点

实验结果表明，大语言模型在微生物本体分类和病原体风险预测方面优于传统的机器学习模型。例如，在某些数据集上，LLM的预测准确率比随机森林提高了10%以上。此外，LLM还表现出良好的跨数据集泛化能力，能够在不同的环境和元数据分布下保持较高的预测准确率。

🎯 应用场景

该研究成果可应用于环境微生物学、生物监测和公共卫生等领域。通过分析环境元数据，可以快速预测潜在的病原体污染风险，为早期预警和防控提供支持。此外，该方法还可以用于微生物群落的生态研究，帮助人们更好地理解微生物与环境之间的相互作用。

📄 摘要（原文）

Traditional machine learning models struggle to generalize in microbiome studies where only metadata is available, especially in small-sample settings or across studies with heterogeneous label formats. In this work, we explore the use of large language models (LLMs) to classify microbial samples into ontology categories such as EMPO 3 and related biological labels, as well as to predict pathogen contamination risk, specifically the presence of E. Coli, using environmental metadata alone. We evaluate LLMs such as ChatGPT-4o, Claude 3.7 Sonnet, Grok-3, and LLaMA 4 in zero-shot and few-shot settings, comparing their performance against traditional models like Random Forests across multiple real-world datasets. Our results show that LLMs not only outperform baselines in ontology classification, but also demonstrate strong predictive ability for contamination risk, generalizing across sites and metadata distributions. These findings suggest that LLMs can effectively reason over sparse, heterogeneous biological metadata and offer a promising metadata-only approach for environmental microbiology and biosurveillance applications.