RAGulate: Retrieval-Augmented Generation for Post-hoc Literature-Grounded Regulatory Assessment

想象一下你是一名正在破解谜题的侦探：究竟是哪一个特定的“开关”（转录因子）开启了细胞内哪一个特定的“灯泡”（基因）？

计算机已经列出了一份关于哪些开关控制哪些灯泡的猜测清单。但在生物学家可以信任这些猜测并进行昂贵的实验来证实它们之前，他们必须先完成检查证据的艰苦工作。这些证据散落在数百万篇科学论文中，用词复杂，且经常对同一事物使用不同的名称。这就像是在试图从一个图书馆里寻找一个特定的事实，而这些书是用不同的语言编写的，作者们使用了绰号，而且事实往往隐藏在脚注之中。

标准人工智能的问题
科学家们曾尝试使用“聪明”的计算机程序（大语言模型）来阅读这些书籍并为他们总结证据。但这些程序有一个坏习惯：它们有时会产生“幻觉”。它们可能会自信地编造一个事实，或者引用一本并不存在的书，仅仅因为那样听起来很合理。这就像一个学生在考试时根据直觉猜测答案，因为他们觉得答案“应该是”那样，而不是真正阅读了教科书。

解决方案：RAGulate
作者创建了一个名为 R中RAGulate 的新工具。把 RAGulate 想象成不是一个靠猜题的学生，而是一个极其高效的研究馆员，并且被严格禁止胡编乱造。

以下是这位馆员的工作步骤：

1. 大师名单 (CollecTRI)： 馆员从一份经过预先验证的已知“开关-灯泡”连接的可靠名单开始。这是“地面真理”（ground truth），以确保他们在正确的方向上寻找。
2. 使用同一种语言 (别名扩展)： 科学名称非常棘手。一个蛋白质在某篇论文中可能被称为“基因 A”，而在另一篇论文中可能被称为“蛋白质 X”。RAGulate 足以聪明到知道它们是同一个东西，因此它不会仅仅因为一个绰号就错过任何线索。
3. 双重搜索 (混合检索)： 在寻找证据时，馆员同时使用两种搜索策略：
   • 关键词搜索： 寻找精确的单词匹配（类似于传统的索引）。
   • “氛围”搜索： 寻找在概念上感觉相关的项，即使单词不同（例如，当你搜索“心血管健康”时，找到一本关于“心脏健康”的书）。
   • 通过结合这两者，馆员能从庞大的科学文献库中找到最相关的页面。
4. 事实检查员： 一旦找到了最好的页面，人工智能将仅阅读这些页面来决定证据是否支持该连接。它不依赖于自己的记忆；它完全依赖于它刚刚找到的文档。

结果
当团队测试这个系统时：

• 更好的搜索： “绰号”修复方案帮助馆员找到了多得多的相关文章。
• 更聪明的答案： 将关键词搜索和“氛围”搜索结合使用，比只使用其中一种方法找到了更多的证据。
• 更少的谎言： 因为人工智能必须基于它找到的具体文档来给出答案，所以它犯错的情况大大减少，并且更频繁地引用了正确的科学论文 (PMID)。
• 值得信赖的解释： 它给出的解释忠实于实际文本，而不是编造的故事。

底线
RAGulate 是一个旨在与生物学家合作的工具。它扮演着一个可靠助手的角色，在科学文献的噪音中筛选信息，告诉研究人员：“这就是来自这些论文中支持该基因连接的具体证据，以及其中的证明。” 这有助于科学家确定哪些实验应该优先进行，从而节省时间并降低追逐错误线索的风险。

注：本文严格侧重于如何通过文献改进科学家对基因-开关实验的优先级排序。它并不声称直接诊断疾病或治疗患者。