BELL：生物模型证据与基于大语言模型的逻辑

构建准确且具有预测性的机制模型，需要对生物学相互作用进行细致整理，并依据现有知识对其进行验证。若依靠人工完成这些任务，尤其是在先进自然语言处理方法和大语言模型（LLM）推动大规模相互作用提取的背景下，将变得难以实际执行。我们提出了 BELL（Biomodel Evidence and LLM-based Logic，生物模型证据与基于大语言模型的逻辑）这一生物整理支持框架，用于自动化检索、评分和解释相互作用层面的验证过程。BELL 通过包含五个步骤的流程处理每个相互作用：实体落地、数据库排序、从七个生物学数据库中检索证据、基于启发式方法的四维程序化评分，以及由大语言模型生成的思维链解释和推荐的整理员操作建议。我们将 BELL 应用于一个经过整理的多形性胶质母细胞瘤（GBM）模型中的 210 个蛋白质—蛋白质相互作用。结果显示，49.5% 的相互作用达到高置信度，72.4% 获得了整理员的正向建议；同时，定性标记能够准确指引整理员关注证据缺口。BELL 已集成至 KALIMBA 整理平台中，可通过 www.boheme.pitt.edu/Kalimba 获取。

构建准确且具有预测性的机制模型，需要对生物学相互作用进行细致整理，并依据现有知识进行验证。若依靠人工完成这些任务，尤其是在先进自然语言处理方法和大语言模型（LLM）促进大规模相互作用提取的情况下，将变得难以实际实施。我们提出了 BELL（Biomodel Evidence and LLM-based Logic，基于生物模型证据与大语言模型逻辑的框架），这是一种支持生物整理的框架，可自动完成相互作用层面的证据检索、评分与解释。BELL 通过五步流程处理每个相互作用：实体规范化、数据库排序、从七个生物学数据库中检索证据、基于启发式方法的四维程序化评分，以及由大语言模型生成的思维链式解释和推荐的整理员操作建议。我们将 BELL 应用于一个经整理的胶质母细胞瘤（GBM）模型中的 210 个蛋白质—蛋白质相互作用。结果显示，49.5% 的相互作用达到了 HIGH 置信度，72.4% 获得了积极的整理员建议；同时，定性标记能够精准地引导整理员关注证据缺口。BELL 已集成至 KALIMBA 生物整理平台，并可通过 www.boheme.pitt.edu/Kalimba 获取。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.18.721350v1?rss=1

🏷️ 生物模型整理 蛋白质相互作用 大语言模型 生物学证据验证 胶质母细胞瘤 生物信息学