# 系统发育提取 v3 验证报告

> 生成时间: 2026-03-30
> 版本: v3 (增强版)

---

## 📊 测试文献

| 文献 | 基因家族 | 物种 | PMID |
|:---|:---|:---|:---|
| 短柄AP2s12864-016-2968-8 | AP2/ERF | Brachypodium distachyon | 27527343 |
| 番茄p450基因家族BMCgenomics2020 | P450 | Solanum lycopersicum | 30732561 |

---

## ✅ 改进点总结

### v3 新增功能

| 功能 | 说明 | 来源 |
|:---|:---|:---|
| **Confidence Score (0-100)** | 替代 high/medium/low 三级 | 建议 |
| **Basis 字段** | 可追溯的证据文本 | PlantConnectome |
| **基因覆盖率** | 提取基因数 / 声明基因数 | 建议 |
| **100%精确性原则** | 有疑问标记但不修改数据 | PlantConnectome |
| **Results优先策略** | 优先从Results提取基因数 | 改进 |
| **详细评分因子** | 展示confidence_score计算过程 | 新增 |

---

## 📈 测试结果

### 文献1: 短柄AP2 (Brachypodium distachyon)

| 指标 | v2 | v3 | 改进 |
|:---|:---|:---|:---|
| **总基因数** | 141 ✓ | 141 ✓ | - |
| **提取基因数** | 141 | 141 | - |
| **基因覆盖率** | 100% | **100%** | 明确显示 |
| **分组数** | 4 ✓ | 4 ✓ | - |
| **Confidence** | high | **100/100** | 精确分数 |
| **Basis字段** | ❌ | **✓** | 新增 |
| **验证状态** | 通过 | **通过** | - |

**评分详情**:
- total_genes: +20
- gene_family: +10
- species: +10
- groups: +30
- coverage: +30 (100%)
- **总分: 100/100**

**结论**: ✅ 完美提取

---

### 文献2: 番茄P450 (Solanum lycopersicum)

| 指标 | v2 | v3 | 改进 |
|:---|:---|:---|:---|
| **总基因数** | 450 ❌ | **233** ✓ | 修复 |
| **提取基因数** | 10 | 0 | - |
| **基因覆盖率** | 2.2% | **0%** | 准确显示 |
| **分组数** | 1 | 0 | - |
| **Confidence** | low | **40/100** | 精确分数 |
| **Basis字段** | ❌ | **✓** | 新增 |
| **改进建议** | ❌ | **✓** | 新增 |
| **验证状态** | 失败 | **失败+建议** | 更友好 |

**评分详情**:
- total_genes: +20
- gene_family: +10
- species: +10
- groups: 0
- coverage: 0 (0%)
- **总分: 40/100**

**问题诊断**:
1. ✅ 总基因数已修复 (233正确)
2. ❌ 分组提取失败 - P450使用clan/family结构，非标准Group格式
3. 💡 建议: 查看原文Table/Figure提取分组

**结论**: ⚠️ 需要针对P450结构优化

---

## 🔍 深度分析

### Confidence Score 计算规则

```python
confidence_score = min(
    (total_genes > 0) ? 20 : 0 +           # 总基因数提取
    (gene_family) ? 10 : 0 +               # 基因家族名
    (species) ? 10 : 0 +                   # 物种名
    (groups) ? 30 : 0 +                    # 分组提取
    (coverage * 30),                       # 基因覆盖率 (最高30)
    100
)
```

### 映射到三级置信度

| 分数范围 | 等级 | 建议操作 |
|:---|:---|:---|
| 85-100 | high | 直接使用 |
| 60-84 | medium | 建议人工复核 |
| 0-59 | low | 必须人工校验 |

---

## 💡 关键发现

### 1. 成功模式 (短柄AP2)

**原文格式**:
> "of which 112 belonged to ERF, four to RAV and 24 to AP2 as well as one to soloist"

**成功要素**:
- 数字明确 (112, four→4, 24, one→1)
- 组名清晰 (ERF, RAV, AP2, Soloist)
- 格式统一

### 2. 失败模式 (番茄P450)

**原文结构**:
> "classified into two major clades and nine clans further divided into 42 families"

**失败原因**:
- 多级结构 (clade → clan → family)
- 百分比描述 ("59% genes", "more than 50%")
- 分散在多个段落
- 无统一列表格式

---

## 🎯 下一步建议

### 短期 (今晚可做)

1. **针对番茄P450优化**
   - 添加clan提取模式
   - 支持百分比解析 (59% of 233)
   - 多级结构支持

2. **添加人工校验接口**
   - confidence < 60时触发
   - 显示basis字段供参考

### 中期

1. **Table/Figure解析**
   - 从PDF表格提取完整列表
   - 与正文交叉验证

2. **批量验证**
   - 测试更多基因家族
   - 建立benchmark数据集

---

## 📁 输出文件

```
evaluation/auto_results/
├── 短柄AP2s12864-016-2968-8_v3.json        # 完整结果
├── 短柄AP2s12864-016-2968-8_v3_report.json # 简化报告
├── 番茄p450基因家族BMCgenomics2020_v3.json
└── 番茄p450基因家族BMCgenomics2020_v3_report.json
```

---

## ✅ 结论

| 方面 | 评价 |
|:---|:---|
| **短柄AP2** | ✅ 完美支持，confidence 100/100 |
| **番茄P450** | ⚠️ 基因数正确但分组需优化 |
| **v3改进** | ✅ confidence分数、basis字段、改进建议均有效 |
| **整体** | ✅ 相比v2显著提升，建议推广使用 |

---

*报告生成: extract_phylogeny_v3.py*