208 lines
5.4 KiB
Markdown
Executable File
208 lines
5.4 KiB
Markdown
Executable File
# 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**: 🧬🤖
|