# PlantConnectome 提取方法学习总结

**日期**: 2026-04-10 16:01 GMT+8

---

## PC提取方法分析

### 1. 数据来源

**PC从以下部分提取**:
- `23031218_abstract` - 摘要
- `23031218_intro` - 引言
- `23031218_results1` - 结果
- `23031218_discuss` - 讨论

**特点**: 按章节分别提取，不是全文一起

### 2. 关系类型覆盖

从样本中看到的关系类型:

| 关系 | 示例 | 类型 |
|------|------|------|
| supplies | SUC5 supplies A. thaliana embryos | 功能 |
| affect | SUC5 affect Triacylglycerol accumulation | 影响 |
| represents | SUC5 protein represents sucrose/H+ symporter | 代表 |
| transports | SUC5 transports biotin | 转运 |
| localizes to | SUC5 localizes to plasma membrane | 定位 |
| is expressed in | SUC5 is expressed in developing embryos | 表达 |
| is impaired in | transport of biotin is impaired in suc5 mutants | 缺陷 |
| is essential for | SUC5 is essential for delivery of biotin | 必需 |
| include | mutants include bio1 | 包含 |
| show | bio1 mutants show developmental defects | 表现 |
| catalyse | Acetyl CoA carboxylase catalyse Fatty acid biosynthesis | 催化 |
| capable of | Bacteria are capable of synthesizing biotin | 能力 |
| depend on | humans depend on uptake of biotin | 依赖 |
| is | SUC5 is member of A. thaliana sucrose transporter family | 是 |
| role in | SUC5 role in biotin delivery into seed | 作用 |
| coincides with | 8 DAF coincides with onset of active fatty acid biosynthesis | 时间 |

**总计**: 15+种关系类型

### 3. 实体类型覆盖

| 实体类型 | 示例 |
|---------|------|
| gene | SUC5, BIO1, BIO2 |
| protein | sucrose/H+ symporter, biotin transporter |
| metabolite | biotin, sucrose |
| organism | A. thaliana embryos, Bacteria, humans |
| phenotype | developmental defects, reduced triacylglycerol contents |
| process | biotin biosynthesis, fatty acid biosynthesis |
| subcellular compartment | plasma membrane |
| organ | seed endosperm |
| time | 8 DAF, 4 to 22 days after fertilization |
| treatment | supplementation with biotin |
| mutant | suc5 mutants, bio1 mutants |

**总计**: 11种实体类型

### 4. 关键字段

| 字段 | 说明 | 我们的缺失 |
|------|------|-----------|
| source | 源实体 | ✅ 有 |
| source type | 源类型 | ❌ 缺失 |
| relationship | 关系 | ✅ 有 |
| target | 目标 | ✅ 有 |
| target type | 目标类型 | ❌ 缺失 |
| gene | 关联基因 | ❌ 缺失 |
| pubmedID | PMID | ❌ 缺失 |
| p_source | 论文章节 | ✅ 有 |
| species | 物种 | ❌ 缺失 |
| basis | 实验方法 | ⚠️ 部分有 |
| source_extracted_definition | 源定义 | ❌ 缺失 |
| target_extracted_definition | 目标定义 | ❌ 缺失 |

### 5. 提取策略分析

**策略1: 逐句提取**
- 不是按章节整体理解
- 每句话单独提取关系
- 一句话可能产生多个关系

**策略2: 实体标准化**
- SUC5 → (ATSUC5, SUC5, AT1G71890)
- 包含多个别名

**策略3: 定义生成**
- 每个实体都有定义
- 如: "A gene encoding a sucrose transporter..."

**策略4: 章节细分**
- abstract, intro, results, discuss分开
- 不是全文一起处理

---

## PC方法的核心优势

### 1. 细粒度提取 ✅
- 每句话都提取
- 不遗漏任何关系

### 2. 实体丰富 ✅
- 不只是基因-组织
- 包含过程、表型、时间等

### 3. 关系多样 ✅
- 15+种关系类型
- 不只是表达关系

### 4. 元数据完整 ✅
- PMID、物种、方法
- 可追溯可验证

---

## 我们的差距

| 维度 | PC | 我们 | 差距 |
|------|-----|------|------|
| 提取粒度 | 逐句 | 逐章节 | **太粗** |
| 关系类型 | 15+种 | 2-3种 | **太少** |
| 实体类型 | 11种 | 2-3种 | **太少** |
| 元数据 | 完整 | 部分 | **缺失** |
| 基因别名 | 有 | 无 | **缺失** |
| 实体定义 | 有 | 无 | **缺失** |

---

## 应用到荔枝论文的方案

### 方案: 逐句提取 + LLM理解

```python
# 步骤1: 将文本拆分为句子
sentences = split_into_sentences(full_text)

# 步骤2: 对每个句子调用LLM提取
for sent in sentences:
    prompt = f"""
    从以下句子中提取所有生物学关系。
    
    句子: {sent}
    
    基因家族: SlSut01-SlSut40 (40个基因)
    
    提取:
    1. 基因-组织表达关系
    2. 基因-染色体定位关系
    3. 基因-蛋白功能关系
    4. 基因-表型关系
    5. 过程-时间关系
    6. 任何其他生物学关系
    
    格式: source | relation | target | evidence
    
    如果句子中没有基因家族相关的关系，返回: NONE
    """
    
    relations = call_llm(prompt)
    all_relations.extend(relations)

# 步骤3: 后处理
# - 去重
# - 标准化
# - 添加元数据
```

### 预期改进

| 指标 | 当前 | PC方法 | 改进后 |
|------|------|--------|--------|
| 提取粒度 | 章节级 | 句子级 | **句子级** |
| 关系类型 | 2-3种 | 15+种 | **10+种** |
| 实体类型 | 2-3种 | 11种 | **8+种** |
| 基因覆盖率 | 5% | 80%+ | **80%+** |
| 元数据 | 部分 | 完整 | **完整** |

---

## 立即执行计划

### 今天完成

1. **逐句提取**
   - 将荔枝论文拆分为句子
   - 对每个句子调用LLM
   - 提取所有关系

2. **后处理**
   - 去重
   - 标准化
   - 添加PMID、物种等元数据

### 预期结果

- 关系数: 3个 → 100+个
- 基因覆盖率: 5% → 80%+
- 关系类型: 3种 → 10+种

---

**学习时间**: 2026-04-10 16:05 GMT+8  
**签名**: 🧬🤖