- 11 次围观
植物生物工程已产生数以万计的基因型—表型关系，但这些知识仍分散于叙述性文献中，难以通过计算方式加以利用。DNA构建体、宿主物种和性状的描述不一致，包括物种名称多样、调控元件缺失以及基因符号不统一等问题，阻碍了数据再利用、比较分析以及设计—构建—测试—学习（design-build-test-learn）循环。本文介绍植物生物工程图谱（Plant Bioengineering Atlas），这是一个通过人工智能（AI）辅助提取流程构建、基于本体且经文献挖掘得到的知识库。大型语言模型解析开放获取的原始研究论文，生成了具有来源锚定结构化记录，涵盖工程化基因、修饰类型、启动子—基因—终止子构建体、宿主物种、目标性状和报道的表型，并确保每条记录均可追溯至其来源。当前版本包含14,358条经整理的记录，涉及6,998个不同基因、436种植物物种以及2000年至2026年间发表的6,452篇论文。语料库分析显示，实验主要集中于少数模式物种和作物；疾病与病原体抗性是最常被工程化的性状类别；组成型调控元件（尤其是CaMV 35S启动子和NOS终止子）仍被广泛采用。五分之二的记录缺失一个或两个侧翼调控元件（即启动子和终止子），而仅有23.4%的记录描述了其中两个元件均可归入命名部件类别的表达盒，揭示出系统性的可重复性缺口。我们将这些数据组织为连接基因、构建体、物种和性状的知识图谱；通过交互式网络门户提供访问；并提出一种兼容AI的文档标准，以支持面向AI的数据报告。植物生物工程图谱为数据驱动的假设生成和AI辅助的植物生物设计奠定了基础。
植物生物工程已产生数以万计的基因型—表型关系，但这些知识仍零散地分布于叙述性文献中，难以进行计算机化利用。DNA构建体、宿主物种和性状的描述不一致，包括物种名称多样、调控元件遗漏以及基因符号不统一等问题，阻碍了数据再利用、比较分析以及设计—构建—测试—学习循环。在此，我们提出植物生物工程图谱（Plant Bioengineering Atlas），这是一个利用人工智能（AI）辅助提取流程构建的、经文献挖掘并以本体为基础的知识库。大语言模型解析开放获取的原始研究论文，生成有关工程化基因、修饰类型、启动子—基因—终止子构建体、宿主物种、目标性状和报告表型的结构化记录，并确保每条记录均可追溯至其来源。目前版本包含14,358条经过整理的记录，涵盖来自436种植物的6,998个不同基因，这些记录源自2000年至2026年间发表的6,452篇论文。语料库分析显示，实验主要集中于少数模式植物和作物物种；疾病与病原体抗性是最常被工程化的性状类别；组成型调控元件（尤其是CaMV 35S启动子和NOS终止子）仍被广泛使用。五分之二的记录遗漏了一个或两个侧翼调控元件（即启动子和终止子），而仅有23.4%的记录描述了其中两个元件均可归入已命名元件类别的表达盒，暴露出系统性的可重复性缺口。我们将这些数据组织为连接基因、构建体、物种和性状的知识图谱；通过交互式网络门户提供访问；并提出一种适用于人工智能的文档标准，以支持面向AI的数据报告。植物生物工程图谱为数据驱动的假设生成和AI辅助植物生物设计提供了基础。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.21.746270v1?rss=1
🏷️ 植物生物工程 知识图谱 文献挖掘 基因型—表型关系 DNA构建体 人工智能辅助生物设计