🧬 biology

RCSB PDB AI Help Desk: retrieval-augmented generation for protein structure deposition support

RCSB PDBは、タンパク質構造データの登録に関する問い合わせ対応を効率化するため、RAG（検索拡張生成）技術とGPT-4o-miniを活用し、正確な引用に基づいた回答を24時間提供できるAIヘルプデスクを開発・導入しました。

原著者： Vivek Reddy Chithari (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Jasmine Y. Young (RCSB Protein Data Bank, Rutgers, The State University of New Jersey

公開日 2026-04-28

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Vivek Reddy Chithari (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Jasmine Y. Young (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Irina Persikova (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Yuhe Liang (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Gregg V. Crichlow (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Justin W. Flatt (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Sutapa Ghosh (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Brian P. Hudson (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Ezra Peisach (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Monica Sekharan (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Chenghua Shao (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA), Stephen K. Burley (RCSB Protein Data Bank, Rutgers, The State University of New Jersey, Piscataway, NJ, USA, RCSB Protein Data Bank, San Diego Supercomputer Center, University of California San Diego, CA, USA)

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

タイトル：タンパク質の「百科事典」を守る、AIの新人コンシェルジュ

1. 背景：膨大な「荷物」と、疲れ果てた「ベテラン職員」

想像してみてください。あなたは、世界中の科学者が送ってくる「超精密な設計図（タンパク質の構造データ）」を管理する、巨大な国立図書館の職員だとします。

この図書館には、毎日世界中から何万もの新しい設計図が届きます。しかし、設計図はとても複雑です。「この書き方で合ってる？」「このエラーはどう直せばいいの？」といった、細かい質問が毎日数万件も届くのです。

図書館には、知識が豊富な「ベテラン司書（専門のキュレーター）」が数人しかいません。彼らは設計図のチェックに忙しく、質問攻めに合うと、本来の重要な仕事（設計図の精査）に集中できなくなってしまいます。

2. 解決策：AIによる「超優秀な案内係」の導入

そこで、RCSB PDB（タンパク質データバンク）のチームは、**「AIコンシェルジュ」**を開発しました。

このAIは、ただのチャットボットではありません。例えるなら、**「図書館のすべてのルールブックを丸暗記し、かつ、絶対に嘘をつかないように訓練された、超スピードの案内係」**です。

3. このAIの「すごい仕組み」（ここが技術のキモ！）

このAIがなぜ「嘘（ハルシネーション）」をつかずに、正確に答えられるのか？それには3つの魔法のような仕組みがあります。

① 「カンニングペーパー」方式（RAG技術）
普通のAIは、自分の記憶だけで答えようとするので、たまに「もっともらしい嘘」をつきます。しかし、このAIは違います。質問された瞬間、まず**「公式のルールブック（信頼できる文書）」を猛スピードで開き、そこから答えを探します。** 答えを書くときは、必ず「ルールブックの◯ページにこう書いてあります」と、根拠（出典）をセットで示します。
② 「情報の切り分け」術（2段階チャンク分割）
ルールブックは分厚いです。AIが読みやすいように、情報を「意味のまとまり」ごとに、綺麗に切り分けて整理しています。これにより、必要な情報をピンポイントで見つけ出せます。
③ 「門番」の役割（ガードレール）
このAIは、タンパク質の専門家向けのものです。もし誰かが「今日の晩御飯は何がいい？」とか「美味しいラーメン屋を教えて」と聞いてきても、**「すみません、私はタンパク質の専門家ですので、その質問にはお答えできません」**と、丁寧にお断りする「門番」の機能も備わっています。

4. これによって何が変わるのか？

科学者（利用者）にとって： 24時間365日、いつでも即座に質問の答えがもらえます。夜中に作業していても、待ち時間ゼロで解決できます。
ベテラン職員（キュレーター）にとって： 「よくある質問」をAIがすべて引き受けてくれるので、彼らは「本当に高度な判断が必要な、難しい仕事」に専念できるようになります。

結論

この研究は、**「AIにすべてを任せる」のではなく、「AIがルーチンワークを支え、人間がより高度な専門業務に集中できる環境を作る」**ための、素晴らしい一歩なのです。

科学の進歩を支える巨大なデータの図書館に、頼もしい新しい仲間が加わった、というお話でした。

技術要約：RCSB PDB AI Help Desk

1. 背景と課題 (Problem)

タンパク質構造データバンク（PDB）には、現在245,000件を超える生物学的高分子の3次元構造が蓄積されています。構造生物学の進展（クライオ電子顕微鏡やAI駆動型モデリングなど）に伴い、データ投稿（deposition）の数、規模、複雑さは増大し続けています。

主な課題:

業務負荷の増大: 2025年だけで20,000件を超える新規投稿があり、RCSB PDBの専門バイオキュレーター（biocurators）は、投稿者からの膨大な問い合わせ（2025年時点で約19,000件のメッセージ）への対応に追われています。
リソースの制約: 投稿に関する技術的な質問、バリデーションレポートの解釈、手順の確認など、多岐にわたる問い合わせへの対応は、専門家にとって非常に時間のかかる業務となっています。
精度の要求: 科学的なデータ管理において、AIの「ハルシネーション（もっともらしい嘘）」は許容されず、正確かつ根拠（出典）に基づいた回答が不可欠です。

2. 手法 (Methodology)

本研究では、検索拡張生成 (RAG: Retrieval-Augmented Generation) アーキテクチャを用いたAI搭載型ヘルプデスクを開発しました。

システムアーキテクチャ

システムは、プレゼンテーション層、アプリケーション層、推論層、知識ベース層の4層構造で構成されています。

RAGパイプライン:
- ドキュメント処理: pymupdf4llm を使用して、PDFから構造（表、リスト、ヘッダー等）を維持したままMarkdown形式でテキストを抽出。
- 2段階チャンキング: MarkdownTextSplitter で論理的な構造を維持した後、RecursiveCharacterTextSplitter（サイズ2,000文字、オーバーラップ400文字）を用いて意味的な一貫性を保ちつつ分割。
- 検索アルゴリズム: Maximal Marginal Relevance (MMR) を採用。クエリへの関連性を確保しつつ、取得する情報の多様性を高め、重複を避ける（ $\lambda=0.7$ ）。
- ベクトルストア: pgvector を拡張したPostgreSQLを使用し、OpenAIの text-embedding-3-small モデルで埋め込み（Embedding）を実行。
LLM構成 (Dual-LLM Architecture):
- Condense LLM: マルチターン会話において、過去の文脈を統合して単一の独立したクエリに集約（Temperature 0）。
- QA LLM (GPT-4.1-mini): 回答生成を担当。決定論的な挙動を優先するため Temperature 0 に設定。
ガードレールとプロンプトエンジニアリング:
- トピックガードレール: 軽量LLMを用いて、投稿業務に関係のない質問（スパムや求人など）を事前にフィルタリング。
- システムプロンプト: 内部用語（スタッフ名や内部システム名）が外部に漏れないよう、投稿者に適切な言葉へ変換する指示を組み込み。

デプロイメント

インフラ: Kubernetes上で動作し、Dockerコンテナ化。
ゼロダウンタイム更新: 「シャドウテーブル・スワップ戦略」により、知識ベースの更新中もサービスを停止させずにインデックスを更新可能。

3. 主な貢献 (Key Contributions)

科学的信頼性の確保: 回答に必ず出典（Citation）を明示する仕組みを構築し、ユーザーが情報の根拠を直接確認できるようにした。
高度なドキュメント処理: 複雑な科学文書の構造を維持するための、Markdownベースの抽出および2段階のチャンキング手法の実装。
運用の自動化と安全性: 内部情報の漏洩を防ぐプロンプト設計、およびトピック外の質問を排除するガードレールの導入。
スケーラブルな設計: KubernetesとPostgreSQL (pgvector) を活用した、高可用性と拡張性を持つプロダクション環境の構築。

4. 結果 (Results)

知識ベースの規模: 約183個のチャンク、計約92,000トークンに及ぶwwPDBの公式ドキュメントを網羅。
応答品質: 内部テストにおいて、投稿手順、バリデーション、ファイル形式に関する一般的な質問に対し、正確かつ出典に基づいた回答が可能であることを確認。
ユーザー体験: Server-Sent Events (SSE) によるストリーミング応答により、長い回答でも待ち時間を軽減し、スムーズな対話を実現。

5. 意義 (Significance)

本プロジェクトは、AIが専門家の仕事を「置き換える」のではなく、**「補完する」**ためのモデルケースを示しています。

バイオキュレーターへの恩恵: 定型的な質問への対応を自動化することで、専門家がより高度な判断を要する業務に集中できる環境を提供します。
投稿者への恩恵: 24時間365日、即座に正確なガイダンスを得られるため、データ投稿の摩擦が軽減され、研究プロセスの加速に寄与します。
科学データ管理への応用: RAGを用いたこのアプローチは、他の科学的データリソースにおいても、透明性と正確性を維持しながらAIを活用するための強力な基盤となります。