279 lines
6.6 KiB
Markdown
Executable File
279 lines
6.6 KiB
Markdown
Executable File
# 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**: 🧬🤖
|