admin/PlantAI-rag

Fork 0

Files

T

potaser 5bb98a937a 初始提交

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

6.6 KiB

Executable File

Raw Blame History

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

# 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

# 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

# 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

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

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)

✅ 重新提取，覆盖所有章节
✅ 改进Prompt，增加关系类型
✅ 提取附表基因列表

明天

验证提取结果
统计覆盖率
与PC标准对比

本周

批量处理多篇论文
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: 🧬🤖

6.6 KiB Executable File Raw Blame History Unescape Escape