智能体文献抽取增强靶向蛋白降解数据库

药物化学中的预测模型依赖于锁定在原始文献中的结构化测定数据。这一瓶颈在靶向蛋白降解（TPD）领域尤为突出，因为每条测定记录都必须整合化合物身份、降解靶点、招募配体、测定背景以及分散在正文、表格和补充文件中的终点值。现有的 TPD 数据库由人工整理，且往往缺乏测定背景信息。我们提出了一种专家参与循环的大语言模型工作流程，其中交叉验证的提示词精炼模块能够从稀缺的专家标注中自适应调整抽取指令。仅使用七篇标注的分子胶文献，该工作流程即达到记录级 $F_1 = 0.98$，并且仅通过术语替换便迁移至蛋白水解靶向嵌合体（PROTAC）（$F_1 \geq 0.93$）。由此构建的数据库 AutoTPD 所含分子胶和 PROTAC 记录分别比标准化参考数据集多 81% 和 92%；专家审核发现 92/100 和 33/40 条新记录正确。将该工作流程应用于符合条件的 PubMed Central 开放获取文献，新增了来自 598 篇出版物的 4,483 条记录，形成了 AutoTPD+，这是一个公开的、带版本管理的数据库，包含 7,622 条 TPD 记录（含降解测定测量值），设计为每月更新。在一项受控的替代模型比较中，基于 AutoTPD+ 训练的 PROTAC 降解活性模型相较于基于原始 PROTAC-DB 数据训练的模型，误差降低了 8.9–18.2%。

中文由 AI 翻译，仅供参考，以原文为准。