AOP-Smart-Finder：人机混合框架如何高通量挖掘文献中的有害结局路径

科学文献的爆炸式增长与生物学术语的高度异质性，让研究人员在整合分散证据、识别生物事件关联、构建机制网络时面临巨大挑战。一篇新论文提出的 AOP-Smart-Finder 框架，尝试用大语言模型（LLM）与检索增强生成（RAG）技术，将这一过程推向高通量与可追溯的人机协作模式。

框架设计的核心逻辑

AOP-Smart-Finder 的定位是“高通量人机混合框架”，用于从大规模文献中进行生物事件发现、关系挖掘，以及有害结局路径（Adverse Outcome Pathway, AOP）的构建与证据映射。

它整合了三项关键技术：大语言模型负责语义理解与信息抽取，AOP-Smart 检索增强生成技术（RAG）为模型提供领域知识锚点，Python 自动化则承担流程编排与批量处理。框架支持两种分析模式——一种围绕单一化合物展开，另一种基于预先定义的生物事件集合进行定向挖掘。这种双模式设计兼顾了“从物质出发”的毒理学研究习惯与“从事件出发”的机制探索需求。

有害结局路径（AOP） 是毒理学中用于组织机制知识的框架，它将分子起始事件（MIE）、一系列关键事件（KE）和最终的有害结局（AO）按因果关系串联起来，并通过关键事件关系（KER）描述相邻事件之间的证据支持。AOP 的核心价值在于把分散的实验观察整合为可推理的机制链条，从而支持化学品风险评估与跨物种外推。AOP 通常由经济合作与发展组织（OECD）等机构协调开发与审编，因而“官方 KE”与“候选 KE”的区分反映了知识状态的成熟度差异——前者已获权威认可，后者仍需证据积累。

检索增强生成（RAG） 是一种将外部知识检索与语言模型生成相结合的技术范式。其基本流程是：针对用户查询，先从领域知识库或文献库中检索相关片段，再将这些片段作为上下文提供给 LLM，让其基于检索到的证据生成回答。RAG 的主要优势在于为模型输出提供可核验的知识锚点，降低因参数化记忆不完整或过时导致的幻觉，同时无需重新训练模型即可适配专业领域。在术语高度异质的生物学场景中，RAG 能显著提升抽取结果与领域知识体系的一致性。

两个案例的实证表现

论文给出了两个具体案例来验证框架的吞吐能力。

在邻苯二甲酸二(2-乙基己基)酯（DEHP）案例中，系统在30分钟内处理了12,983篇文章，最终纳入1,093篇，从中提取出1,589个生物事件（包括458个官方关键事件KE和1,131个候选KE）以及2,519个关键事件关系（KER）。这一规模说明，框架在单次运行中即可完成过去需要大量人工筛选才能覆盖的文献量。

在肌萎缩侧索硬化（ALS）案例中，系统从437篇文章中识别出55个应激源，提取278个生物事件和548个事件关系。经过人工审编与证据权重（Weight of Evidence, WoE）评估后，最终构建了一个包含16个KE和23个KER的机制网络。这里的数字收缩值得注意：从自动抽取到人工精炼，事件与关系数量大幅下降，恰恰体现了人机混合流程中“机器扩规模、人来保质量”的分工。

证据权重（Weight of Evidence, WoE） 是毒理学与风险评估中用于综合多条证据线的系统化方法。它要求评估者不仅要看证据的数量，还要考量每条证据的质量、一致性、生物学合理性和与目标物种的相关性。在 AOP 构建中，WoE 评估常用于判断某个 KER 是否获得足够支持，从而决定其能否纳入正式机制网络。这也解释了 ALS 案例中事件与关系数量从自动抽取到人工精炼后大幅收缩的现象：自动抽取提供候选池，WoE 评估则负责筛选出机制上可靠、证据充分的连接。

人机混合的真正价值在“可追溯”

这类框架容易被理解为单纯的自动化抽取工具，但论文强调的关键词是“可追溯”。在毒理学与机制研究中，一个关系是否成立，取决于其背后的证据来源与实验条件。AOP-Smart-Finder 将证据映射作为流程的组成部分，使每一个抽取出的生物事件与事件关系都能回溯到原文，这比单纯的抽取数量更有意义。

同时，框架既可以借助已有AOP作为知识引导，进行机制扩展与证据补充，也能围绕用户指定的研究主题发现新的事件连接并构建机制网络。前者是“站在已有知识上做增量”，后者则带有探索性质。

对AI辅助科研的启示

AOP-Smart-Finder 展示了一种务实的人机协作范式：LLM并非替代专家判断，而是把专家从海量文献的初筛中解放出来，将精力集中在证据权重评估与机制合理性判断上。在生物学术语与机制描述高度异质的领域，RAG的引入也提示了一条降低模型幻觉、提升领域适配性的可行路径。

论文将该框架定位为面向复杂生物机制阐明与大规模文献驱动的AOP发现的高通量、可追溯方法学。其价值不仅在于具体案例中的处理规模，更在于为文献密集型机制研究提供了一套可复用的流程模板。