Beyond Manual Curation: Augmenting Targeted Protein Degradation Databases via Agentic Literature Extraction Workflows

問題定義
年間 150 万本以上が出版されるバイオ医学文献の急速な拡大は、データ駆動型の創薬にとって重大なボトルネックを生み出している。すなわち、構造化されていない出版結果を、機械可読の構造化データに変換する難しさである。この課題は、PROTAC および分子接着剤（MG）を含む治療モダリティである標的タンパク質分解（TPD）において特に深刻である。既存の公開リソース（PROTAC-DB、MolGlueDB など）は手動キュレーションに依存しており、出版ペースに追いつくのが遅く、また下流の機械学習モデリングに必要な微細な実験的コンテキスト（アッセイタイプ、細胞株、時間点、濃度）が欠落していることが多い。さらに、手動キュレーションは高活性化合物を優先する傾向があり、堅牢なモデルの訓練に不可欠な弱活性または不活性な例の報告が不足している。汎用的な大規模言語モデル（LLM）の抽出パイプラインはこの分野では失敗する。なぜなら、TPD レコードは、化合物の同定、ターゲット、リクルーター、アッセイコンテキスト、エンドポイントといった異なるフィールドを組み合わせる必要があるが、これらはテキスト、表、補遺ファイルに散在しており、さらに一貫性のない化学識別子や暗黙的な実験的コンテキストを navigating する必要があるからである。

手法
著者は、モデルのファインチューニングなしに構造化された TPD アッセイレコードを抽出するために設計された、専門家ループ型 LLM ワークフローを提案する。このシステムは、PubMed Central（PMC）からの全文記事および補遺資料を処理する。

1. データ取得と三角評価: 本研究は、三角比較のための 3 つのデータセットを構築する。既存のデータベース（PROTAC-DB および MolGlueDB）からの標準化されたレコードをベースラインとし、LLM 予測セット、そして層化された論文のサブセット（MG 7 編、PROTAC 15 編）の専門家による注釈から導出された独立したグランドトゥルースである。
2. エージェンティックワークフロー（CAPO）: 中核的な革新は CAPO（Cross-validated Agentic Prompt Optimization）であり、これは希少な専門家注釈から抽出指示を適応させる軽量モジュールである。これは二重ループシステムを採用する。
   • 内側ループ: 抽出エージェントが、4 つのフェーズを通じて記事を処理する。初期の本文抽出、文レベルのソース検証、補遺資料の統合、そして欠落している化学識別子を完成させるための最終レビューである。
   • 外側ループ: 分析エージェントが、パフォーマンス閾値（$\tau = 0.9$）を下回る論文における誤検知（偽陽性/偽陰性）を診断する。その後、精製エージェントがこれらの診断に基づいて抽出プロンプトを更新する。このプロセスは、保持されたデータにおける F1 スコアを最大化する「チャンピオンプロンプト」を選択するために、Leave-One-Out 交差検証（LOOCV）を通じて実行される。
3. ポストプロセッシングとセマンティックマッチング: 抽出されたデータは、単位の正規化、重複排除、化学識別子のエンリッチメント（OPSIN および PubChem を使用）を受ける。セマンティックマッチングモジュールは、制約付き LLM ベースの Yes/No 検証（キャッシュして一貫性を確保）を用いて、エンティティの類義語（例："CRBN"対"Cereblon"）を処理する。
4. 評価フレームワーク: システムは階層的な評価モードを使用する。実験的（5 フィールドキー：化合物、ターゲット、リクルーター、アッセイ、細胞株）、メカニズム的（3 フィールドキー）、および表現型的（2 フィールドキー）。指標には、レコードレベルおよびフィールドレベルでの精度、再現率、F1 スコアが含まれる。

主な貢献

1. 定式化とフレームワーク: 本論文は、TPD データベース抽出をドメイン固有のキュレーションタスクとして定式化し、LLM 予測、標準化されたベースラインレコード、および専門家によるグランドトゥルースを比較する三角評価フレームワークを導入する。
2. 専門家ループ型ワークフロー: 著者は、ソースに基づいた抽出、補遺の統合、そして CAPO プロンプト改善モジュールを組み合わせたエンドツーエンドのワークフローを提示する。これは、ごく少数の注釈（7 編の論文）から抽出ルールを適応させることに成功している。
3. スケーラブルな性能: このワークフローは、分子接着剤と PROTAC 双方で高い精度を達成し、あるモダリティ向けに最適化されたプロンプトが、用語置換のみを通じて他方のモダリティへ転移可能であることを実証した。
4. リソース公開: 著者は、ワークフロー、最適化されたプロンプト、評価コード、および新たに抽出されたデータセットをオープンリソースとして公開する。

結果

• 精度: 分子接着剤（MG）コホートにおいて、ワークフローはレコードレベルの F1 スコア 0.98 を達成した。用語置換を通じて PROTAC に転移させた場合でも、レコードレベルの F1 スコアは 0.93 超を維持した。これに対し、既存のベースラインデータベース（MolGlueDB および PROTAC-DB）は、同じメカニズム的モードにおいて、主にコンテキストフィールドの欠落により、有意に低い F1 スコア（それぞれ 0.43 および 0.69）を達成した。
• データベース拡張: 大規模に適用された場合、このワークフローは MG データベースを 81%（136 から 246 レコードへ）、PROTAC データベースを 92%（372 から 714 レコードへ）拡張した。
• 検証: 新たに回収された「LLM のみ」のレコードの手動レビューにより、MG については 92%、PROTAC については 82.5% の妥当性が確認された。逆に、多くの「ベースラインのみ」のレコードは、テキスト抽出範囲外の図に基づく証拠に依存していた。
• コンテキストの回復: このワークフローは、欠落していたコンテキストフィールドを大幅に回復させ、MG についてはアッセイおよび細胞株のカバレッジをそれぞれ 498% および 513% 増加させ、PROTAC についてはそれぞれ 7010% および 98% 増加させた。また、条件を考慮したモデリングに不可欠な動力学データ（時間点、濃度）も回復した。
• 効率性: プロンプト最適化は、わずか 7 編の注釈付き論文を用いて 3 ラウンド以内に収束し、プロジェクト全体の総 API コストは 100 ドル未満に抑えられた。

重要性
本論文は、TPD キュレーションにおける主要なボトルネックは精度ではなくカバレッジであると主張する。既存のデータベースは存在する限り信頼できるが、不完全である。結果は、網羅的な手動転写から、ドメイン専門家がターゲットとした注釈を提供して自動化パイプラインを検証し導く専門家ループ型キュレーションへの転換を支持する。手動キュレーションで頻繁に見逃される豊富な実験的コンテキスト（時間点、濃度、アッセイタイプ）を回復することで、このワークフローは、タンパク質分解のための汎用的な機械学習モデルの訓練に必要な、バランスの取れた条件を考慮したデータセットの構築を可能にする。著者は、構造化されたデータが文献に散在するドメインにおける AI 支援型科学キュレーションのテンプレートとしてこの仕事を位置づけ、ワークフローは専門家キュレーションを代替するものではなく、支援するために設計されていることを強調している。