PaperAtlas: an automatically constructed atlas of computational methods and software from 6.4 million open-access articles
PaperAtlas 是一个基于 640 万篇开放获取文章自动构建的开源图谱，它识别并聚类了计算方法与软件，揭示了这些资源中有很大一部分目前在现有的精选注册库中缺失。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
现代生物学已经发生了变化。它不再仅仅是关于通过显微镜观察或在实验室中培养培养物；它越来越多地是关于编写代码。科学家们使用复杂的计算机程序来分析 DNA、模拟疾病如何传播以及模拟蛋白质如何折叠。这些工具至关重要，但它们是分散的。它们隐藏在数百万篇科学论文中，通常被埋在正文中间，因为这些论文的重点在于生物学发现，而非软件本身。由于这些论文是人类为人类编写的，同一个工具可能会有不同的名称，或者一个程序可能只被提及一次，而没有指向中央列表的正式链接。这使得研究人员很难为他们的工作找到合适的工具，或者使馆员难以追踪现有的工具。其结果是一个庞大、杂乱且难以导航的数字资源库。
为了解决这个问题，一个研究小组构建了一个名为 PaperAtlas 的新系统。可以把它想象成一个巨大的、自动化的图书管理员，能够同时阅读数百万篇科学论文，以寻找隐藏在其中的计算机工具。研究人员从一个庞大的开放获取科学文章集合开始，数量超过六百万篇。他们利用先进的计算机模型（即经过训练以理解人类语言的程序）来扫描这些论文的摘要。目标是将关于生物实验的论文与那些主要贡献在于新计算机方法或软件的论文区分开来。该系统成功识别出超过一百万篇主要关于计算的论文。
一旦找到了相关的论文，系统就会进一步深入。它阅读这些论文的正文以提取特定细节：软件的名称、它解决什么生物学问题，以及它属于哪种类型的工具，例如 Web 服务器或新算法。研究人员随后将这些发现组织成一个结构化的地图。他们根据内容将相似的论文归为一类，创建出类似于书中章节的聚类。这些章节被进一步组织成更广泛的主题，最终形成了一个包含一千个不同组别的集合，涵盖了生物医学计算领域最重要的领域。这张地图允许任何人按主题浏览文献，无需阅读每一篇论文即可了解不同工具之间的关系。
研究人员还测试了他们的系统相对于现有软件列表的表现。他们将系统在论文中发现的工具名称与五个主要的、由人工整理的注册表进行了对比，科学家通常在这些注册表中登记他们的软件。结果揭示了一个显著的差距。在系统从论文中提取出的数千个独特软件名称中，超过 60% 在这些官方注册表中没有严格的匹配项。这表明科学界使用的很大一部分软件要么根本没有注册，要么是以与科学论文中出现不同的名称进行注册的。在从头到尾查看整个过程时，该系统能够从一个名为 bio.tools 的主要注册表中恢复约 57% 的条目。然而，如果描述该工具的论文确实进入了该图谱，恢复率则跃升至 83% 以上。这表明主要挑战不仅在于寻找论文，还在于确保工具的名称在文献与官方列表之间能够完美匹配。
这项研究还对其自身的工作进行了仔细检查。一名人类专家审查了一小部分结果，以查看计算机的判断是否合理。在判断论文是否具有计算性方面，人类专家在大多数情况下都同意计算机的分类，且提取的工具名称通常是准确的。然而，人类专家也指出，将论文中的工具名称与注册表条目进行匹配是最困难的一步，当名称略有不同时经常失败。这证实了虽然自动化系统功能强大，但科学家为工具命名的方式仍然缺乏一致性。
PaperAtlas 现在作为一个免费、开源的网络工具提供。它不仅仅是列出论文；它将论文组织成一种可导航的结构，突出了不同方法之间的关系。通过绘制计算生物学的景观图，它帮助研究人员找到所需的工具，并向科学界展示了存在的空白。这项工作表明，尽管我们拥有技术来阅读和组织正在产生的海量科学文献，但在为这些工具命名和注册的人类层面仍然滞后。该图谱清晰地展示了这种脱节，为未来的更好组织提供了基础，但并未声称已经完全解决了命名不一致的问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。