PlantAI-rag/docs/analysis/DEEP_COMPARISON.md

# 深度对比分析 - 寻找改进空间

**日期**: 2026-04-10 15:17 GMT+8  
**态度**: 客观对比，寻找差距

---

## 我们的数据（荔枝SUT论文）

### 基本信息
- **PMID**: 38203234
- **DOI**: 10.3390/plants13010095
- **物种**: Litchi chinensis (荔枝)
- **基因家族**: SUT (糖转运蛋白)

### 提取结果

| 维度 | 数据 |
|------|------|
| 章节数 | 17个 |
| 基因数 | 7个 (SLSUT01, 05, 06, 07, 08, 1, 4) |
| 关系数 | 6个 |
| 关系类型 | expressed_in, highly_expressed_in |
| 组织类型 | pulp, peel, seed (3种) |

### 关系详情

| 基因 | 关系 | 组织 | 实验方法 |
|------|------|------|---------|
| SLSUT01 | highly_expressed_in | pulp | qRT-PCR |
| SLSUT01 | highly_expressed_in | peel | qRT-PCR |
| SLSUT01 | expressed_in | seed | qRT-PCR |
| SLSUT08 | highly_expressed_in | pulp | qRT-PCR |
| SLSUT08 | highly_expressed_in | peel | qRT-PCR |
| SLSUT08 | expressed_in | seed | qRT-PCR |

**问题**: 只有2个基因有表达关系，其他5个基因（SLSUT05, 06, 07, 1, 4）的关系呢？

---

## PC的数据（以棉花为例）

### 数据规模
- **单篇论文关系数**: 20-50个
- **基因覆盖**: 单篇论文覆盖10-30个基因
- **关系类型**: 表达、定位、互作、调控等

### 表达关系示例（棉花，PMID: 28720072）

| 基因 | 关系 | 目标 | 实验方法 |
|------|------|------|---------|
| FLAs | highly expressed in | seed fibre SCWs | RNA-seq + edgeR |
| BEL1-like TFs | highly expressed in | Xylem | RNA-seq |
| BEL1-like TFs | highly expressed in | pith | RNA-seq |
| Gorai002G016500 | highly expressed in | seed fibre | RNA-seq |
| Gorai009G176000 | highly expressed in | seed fibre | RNA-seq |
| Gorai011G292100 | highly expressed in | Xylem | RNA-seq |
| Gorai013G242800 | highly expressed in | Xylem | RNA-seq |
| ... | ... | ... | ... |

**特点**: 单篇论文提取20+个基因的表达关系

---

## 差距分析

### 1. 基因覆盖度 ❌ 严重不足

| 指标 | 我们 | PC标准 | 差距 |
|------|------|--------|------|
| 基因覆盖率 | 2/7 (28%) | 20-30/40 (50-75%) | **-22%~-47%** |
| 关系数/基因 | 3/基因 | 1-2/基因 | 相当 |

**问题**: 
- 论文提到40个SUT基因（SlSut01-SlSut40）
- 我们只提取到7个基因
- 只有2个基因有表达关系

**原因**:
- 基因命名不统一（SlSut01 vs SLSUT01）
- 表达数据在附表中，不在正文
- 只提取了正文中明确提到的基因

### 2. 关系类型 ❌ 单一

| 关系类型 | 我们 | PC | 差距 |
|---------|------|-----|------|
| 表达关系 | ✅ | ✅ | 相当 |
| 染色体定位 | ❌ | ✅ | **缺失** |
| 蛋白定位 | ❌ | ✅ | **缺失** |
| 基因结构 | ❌ | ✅ | **缺失** |
| 系统发育 | ❌ | ✅ | **缺失** |

**论文中实际包含**:
- 染色体定位 (2.2节)
- 基因结构 (2.3节)
- 系统发育 (2.1节)
- 共线性 (2.4节)
- 蛋白定位 (2.6节)

**我们只提取了表达关系**

### 3. 组织类型 ❌ 有限

| 组织 | 我们 | 论文实际 |
|------|------|---------|
| pulp | ✅ | ✅ |
| peel | ✅ | ✅ |
| seed | ✅ | ✅ |
| flowers | ❌ | ✅ 有RNA-seq数据 |
| leaves | ❌ | ✅ 有RNA-seq数据 |
| roots | ❌ | ✅ 有提及 |
| cell membrane | ❌ | ✅ GFP定位 |

**论文中提到的组织**:
- flowers, fruits, leaves (RNA-seq)
- pulp, peel, seed (qRT-PCR)
- cell membrane (GFP)

**我们只提取了3种**

### 4. 实验方法 ❌ 未记录

| 方法 | 我们 | PC |
|------|------|-----|
| qRT-PCR | ⚠️ 在证据中 | ✅ 单独字段 |
| RNA-seq | ❌ 未提取 | ✅ 单独字段 |
| GFP定位 | ❌ 未提取 | ✅ 单独字段 |

**PC的basis字段**: "RNA sequencing and differential expression analysis using edgeR"

**我们的证据**: "From qRT-PCR experiments..." (混杂在evidence中)

---

## 根本原因

### 1. 提取范围过窄

**当前**: 只提取"Expression Analysis"章节
**应该**: 提取所有章节的关系

### 2. Prompt设计局限

**当前Prompt**:
```
提取基因表达关系...
关系类型: expressed_in, highly_expressed_in
```

**问题**: 只关注表达关系，忽略了其他类型

### 3. 基因识别不全

**当前**: 只识别了正文中明确提到的基因
**遗漏**: 附表中的基因、图表中的基因

---

## 改进方案

### 立即改进 (今天)

#### 1. 扩展提取范围

```python
# 当前: 只提取Expression章节
expr_sections = [s for s in sections if 'expression' in s.title.lower()]

# 改进: 提取所有Results章节
results_sections = [s for s in sections if any(x in s.title.lower() for x in ['result', 'phylogeny', 'chromosomal', 'structure', 'collinearity'])]
```

#### 2. 增加关系类型

```python
# 改进的Prompt
prompt = """从以下文本中提取基因相关的所有生物学关系。

基因: {genes}

关系类型包括:
1. 表达关系: expressed_in, highly_expressed_in
2. 定位关系: located_on (染色体), localizes_to (亚细胞定位)
3. 结构关系: has_structure, contains_domain
4. 进化关系: grouped_with, syntenic_with
5. 功能关系: involved_in, regulates

请提取所有能找到的关系。"""
```

#### 3. 提取附表数据

```python
# 从附表Excel中提取基因列表
import pandas as pd

supp_tables = pd.read_excel('Table_S1.xlsx')
gene_list = supp_tables['Gene ID'].tolist()
```

### 短期改进 (本周)

#### 4. 标准化输出格式

```python
relation = {
    'source': gene,
    'relation': rel_type,
    'target': target,
    'evidence': evidence,
    'section': sec.title,
    'pmid': '38203234',
    'species': 'Litchi chinensis',
    'basis': 'qRT-PCR',  # 单独记录实验方法
    'method': 'llm'
}
```

#### 5. 批量处理多篇论文

```python
for paper in paper_list:
    result = extract(paper)
    all_relations.extend(result['relations'])
```

### 长期目标 (本月)

#### 6. 达到PC数据深度

| 指标 | 当前 | 目标 |
|------|------|------|
| 基因覆盖率 | 28% | 80% |
| 关系类型 | 2种 | 5+种 |
| 关系数量 | 6个 | 40+个 |
| 组织类型 | 3种 | 10+种 |

---

## 行动计划

### 今天 (15:30前)

1. ✅ 重新提取，覆盖所有章节
2. ✅ 改进Prompt，增加关系类型
3. ✅ 提取附表基因列表

### 明天

4. 验证提取结果
5. 统计覆盖率
6. 与PC标准对比

### 本周

7. 批量处理多篇论文
8. 构建完整知识图谱

---

## 预期结果

### 改进后

| 维度 | 当前 | 改进后 |
|------|------|--------|
| 基因数 | 7个 | 40个 |
| 关系数 | 6个 | 40+个 |
| 关系类型 | 2种 | 5+种 |
| 组织类型 | 3种 | 10+种 |
| 覆盖率 | 28% | 80%+ |

---

**分析时间**: 2026-04-10 15:20 GMT+8  
**态度**: 客观找差距，不自我满足  
**签名**: 🧬🤖