VirProtRAG: Literature-grounded viral protein function annotation with retrieval-augmented generation

想象一下，病毒的世界就像一座庞大而混乱的图书馆，其中的大多数书籍要么封面空白，要么缺页漏项。科学家们知道这些“书”（病毒蛋白质）确实存在且至关重要，但往往并不清楚每一本书具体承担着怎样的职责。现有的工具就像是试图通过逻辑推测来填补空白的“猜谜者”，但它们无法指向书中的特定页面来证明自己的正确性。这使得它们的答案难以令人信服。

VirProtRAG 应运而生，它是一个旨在解决这一谜团的新型数字化助手。请不要把它仅仅看作一个猜谜者，而要把它看作一位永不停歇、博览群书的超级研究图书管理员。

这位图书管理员的工作方式分为三个简单的步骤：

1. 双重搜索策略： 当你向图书管理员询问某个特定的病毒蛋白质时，它并不仅仅寻找精确的名称。它采用了一种“混合”方法。这就像同时运行着两个搜索引擎：一个负责寻找精确的关键词（就像通过书名找书），另一个则理解你问题的“含义”（就像即使你没用“飞行器”这个词，也能找到关于“会飞的机器”的书籍）。这确保了书架上不会遗漏任何相关信息。
2. 智能排序器： 一旦图书管理员找到了一堆可能有用文章，它并不会把它们全部展示出来。它使用了一种特殊的“倒数排名融合”（reciprocal rank fusion）方法。想象一下有一组评委在为哪些文章最优秀进行投票；该系统结合了他们的投票结果，以确保最相关的论文脱颖而出。它还会扩展搜索范围以包含同义词，因此不会因为某篇论文使用了不同的表达方式而错过它。
3. 质量控制检查： 最后，图书管理员不仅阅读前排的结果，还会检查它们的公信力。它扮演着事实核查者的角色，优先考虑高质量、有证据支持的文献，而非薄弱或不可靠的来源。这确保了最终答案是基于扎实的证据，而非仅仅凭直觉。

他们发现了什么？
当团队测试这个系统时，他们发现使用这种“搜索并验证”的方法，远比仅仅让一个聪明的 AI 在没有外部帮助的情况下盲目猜测答案要优越得多。事实证明，拥有获取大量真实科学论文的能力，会让 AI 变得更加聪明且可靠。

生成的藏宝图：
团队不仅开发了这个工具，还建立了一个庞大的、可搜索的数据库，其中包含了来自可靠来源（Swiss-Prot）的 17,484 种已知病毒蛋白质的信息。你可以通过蛋白质的代码（序列）或你所寻找内容的描述（文本）来搜索这个数据库。

影响力：
成果令人印象深刻：

• 该系统发现了 32.53% 的新功能细节，而这些细节是专家们此前尚未记录下来的。
• 它成功地为科学家们此前基于蛋白质形状所做出的猜测提供了 56.34% 的功能依据，提供了文献中缺失的“证据”。

简而言之，VirProtRAG 通过扮演一位不知疲倦、搜寻证据的图书管理员，将病毒蛋白质与解释其功能的现实世界科学故事联系起来，从而消除了病毒研究中的猜测成分。