LLM 驱动的文献抽取流程构建蛋白缓冲液与表达条件数据库 ProBufEx
An advanced LLM-powered article extraction pipeline delivers a database of buffers for protein studies and protein expression conditions
研究团队提出一套由大语言模型驱动的文献抽取流程，把非结构化科学文献系统转换为可查询的结构化数据库，抽取准确率约 97%。该流程结合先进的光学字符识别、自训练的 reranker 模型与大语言模型，处理了与 RCSB Protein Data Bank 相关的 100 353 篇结构生物学文献，构建出包含 947 153 条缓冲液条目、73 210 条表达方案、覆盖 35 690 个不同蛋白的数据库，作者称其为同类资源中规模最大者。配套的 ProBufEx 网页平台支持按蛋白性质或功能快速检索最优条件。
来源：Briefings in Bioinformatics · doi.org
该流程把十万余篇结构生物学文献转成可查询的缓冲液与表达条件库，做蛋白表达纯化的读者可据此减少试错。
优化蛋白质表达和缓冲液条件是生命科学研究和生物技术领域的一项重大挑战。我们提出了一种由 LLM 驱动的提取流程，可将非结构化的科学文献系统地转换为结构化、可查询的数据库。借助先进的光学字符识别、自定义重排序模型和大语言模型，我们的系统实现了约 97% 的提取准确率。通过处理与 RCSB 蛋白质数据库相关的 100 353 篇结构生物学出版物，我们构建了一个数据库，其中包含 947 153 条不同的缓冲液条目和针对 35 690 种独特蛋白质的 73 210 个表达方案，建立了同类资源中规模最大的资源。ProBufEx（https://www.probufex.org/）网络平台支持按蛋白质特性或功能快速探索最佳条件。案例研究揭示了具有不同翻译后修饰的蛋白质在化学品使用上的不同模式，以及具有不同酶活性的蛋白质依赖功能的表达策略。该资源将海量结构生物学文献转化为可操作的知识，加速基于证据的方案设计，减少试错，并简化蛋白质科学中的实验。