admin/PlantAI-rag

Fork 0

Files

T

potaser 5bb98a937a 初始提交

2026-07-10 17:59:59 +08:00

4.2 KiB

Executable File

Raw Permalink Blame History

严重问题分析与解决方案

日期: 2026-04-10 15:30 GMT+8
状态: 问题已识别，需要LLM深度提取

执行结果

强制全面提取结果

指标	结果	状态
基因总数	40个	✅
有关系的基因	2个 (5%)	❌
总关系数	3个	❌
关系类型	3种	⚠️

提取到的关系

SLSUT05 --[located_on]--> Chr07
SLSUT01 --[expressed_in]--> the cell membrane (错误，应该是亚细胞定位)
SLSUT01 --[localizes_to]--> cell membrane

根本问题

1. 规则提取太弱 ❌

问题: 正则表达式只能提取明确写出的关系

实际文本:

"SlSut05, SlSut06, SlSut07, and SlSut08 were distributed on Chr07"
→ 只能提取SLSUT05

"In the two varieties of litchi, most genes were expressed higher in the pulp and peel than in the seed"
→ 提到了"most genes"但没有列出具体基因名

"Particularly, SlSut01 and SlSut08 showed more significant expression"
→ 明确提到基因名

结论: 规则提取只能处理<10%的关系描述

2. 需要LLM深度理解 ❗

论文中的隐含关系:

"Samples of three organs (pulp, peel, and seed) from two varieties were collected for RNA-seq analysis"
→ 隐含: 所有40个基因都在这3个器官中检测了

"most genes were expressed higher in the pulp and peel than in the seed"
→ 隐含: 大部分基因在pulp和peel中高表达，在seed中低表达

"SUT family genes were highly expressed in the fruits of the three species"
→ 隐含: 所有SUT基因在fruits中高表达

结论: 需要LLM理解上下文，推断隐含关系

3. 附表数据未充分利用 ❌

附表中应该包含:

40个基因的染色体位置
40个基因的系统发育分组
40个基因的组织表达数据
40个基因的结构信息

当前: 只提取了正文中的信息

正确解决方案

方案1: LLM深度理解 + 附表数据 (推荐)

# 步骤1: 用LLM理解全文，提取隐含关系
prompt = """
论文描述了荔枝SUT基因家族的40个基因(SlSut01-SlSut40)。

请根据以下文本，推断所有40个基因的关系：
1. 染色体位置（从描述中推断）
2. 组织表达模式（从"most genes"等描述中推断）
3. 系统发育分组（从图表描述中推断）

文本:
{full_text}

请为每个基因列出：
- 染色体位置
- 在哪些组织中表达
- 表达水平（高/中/低）
- 系统发育分组

格式：
SlSut01 | located_on | Chr01 | evidence | method
SlSut01 | expressed_in | pulp | evidence | qRT-PCR
...
"""

# 步骤2: 结合附表数据验证
supp_table = load_excel('Table_S1.xlsx')
for gene in gene_list:
    chrom = supp_table[supp_table['Gene'] == gene]['Chromosome'].values[0]
    group = supp_table[supp_table['Gene'] == gene]['Group'].values[0]
    # ...

方案2: 分章节精细提取

# 对每个章节单独调用LLM
for section in sections:
    prompt = f"""
    从以下章节中提取基因关系：
    章节: {section.title}
    基因: {gene_list}
    
    文本: {section.text}
    
    提取所有明确提到或隐含的关系。
    """

立即行动计划

今天必须完成

使用LLM深度提取
- 将全文输入LLM
- 要求推断所有40个基因的关系
- 明确指示理解隐含信息
结合附表验证
- 提取附表中的染色体位置
- 提取附表中的系统发育分组
- 与LLM结果交叉验证

预期结果

指标	当前	目标
基因覆盖率	5%	80%+
关系数	3个	100+个
关系类型	3种	6种
组织类型	1种	8+种

关键认知

错误认知 ❌

"规则提取可以处理大部分关系"

正确认知 ✅

"基因家族论文中，大部分关系是隐含的，需要LLM深度理解"

具体表现

论文不会列出"SlSut01在根中表达，SlSut02在根中表达..."（40次）
论文会说"所有SUT基因都在根中表达"（1次）
需要LLM理解"所有"指的是哪40个基因

下一步

立即执行LLM深度提取方案。

时间: 2026-04-10 15:35 GMT+8
签名: 🧬🤖

4.2 KiB Executable File Raw Permalink Blame History Unescape Escape