DocuStore: Domain Constrained Retrieval Augmented Generation for Drug Discovery Documents
本文介绍了 DocuStore，这是一种领域受限的检索增强生成架构，它通过整合分子结构和生物实体，显著提高了药物发现文档中问答的准确性和证据检索能力，并已通过全新的 DocQABench 基准测试得到验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在药物研发这一高风险领域，科学家们正在生成庞大且不断增长的文档库。这些不仅仅是简单的报告；它们是包含文本、数据表、手绘化学图谱以及衡量某种潜在药物针对疾病靶点有效性的精确测量值的复杂集合。几十年来，研究人员一直依赖这些文件来记忆他们测试了哪些化合物、得到了什么结果，以及不同的分子之间是如何相互关联的。然而，随着这些信息量的爆炸式增长，寻找特定的证据变得越来越困难。传统的计算机搜索工具通过匹配词语的一般含义进行工作，在这里往往难以应对。它们可能能找到提到某个化学名称的段落，但可能会遗漏出现在表格或图表中的描述该化学物质强度的特定数值。它们也可能混淆两个听起来相似的不同化学物质，或者无法将分子的绘图与描述其行为的文本联系起来。这种人类理解科学证据的方式与计算机搜索方式之间的差距，已经成为了一个显著的瓶颈，减缓了将科学构思转化为新药的过程。
为了弥补这一差距，德州农工大学和 Panorama Global 的一个研究团队开发了一种名为 DocuStore 的新系统。DocuStore 不再将药物研发文档视为简单的文本块，而是旨在理解化学和生物学的特定语言。研究人员构建了一个处理过程，能够阅读这些文档并主动提取出最关键的信息：分子的实际形状、生物靶点的名称，以及衡量药物有效性的精确数值。至关重要的是，该系统将这些不同的部分联系在一起。它能够识别出：一张分子图、一个像“化合物 25a”这样的文本标签，以及一个显示特定测量值的表格条目，指代的都是同一个实体。通过在搜索开始之前建立这些连接，该系统确保了当科学家提出问题时，计算机能够检索到正确的证据，无论该证据最初是以句子、数字还是图片的形式呈现的。
研究人员使用一组基于真实药物化学演示文稿精心构建的 1,093 个问题，对这种新方法进行了测试。这些问题涵盖了从简单的请求（如“这种特定化合物的强度是多少？”）到需要跨多个不同文档进行数据比较的更复杂查询。结果显示出了明显且实质性的改进。在使用标准方法时，计算机仅能对大约 47% 的问题提供正确答案。使用新的 DocuStore 系统后，成功率跃升至 75%。或许更具说服力的是，该系统寻找回答问题所需实际证据的能力。标准方法仅能为 42% 的问题找到必要的支持文档，而 DocuStore 则成功定位了 87% 的完整证据。这表明该系统不仅仅是在更好地猜测，它从根本上更频繁地找到了正确的信息。
当问题和答案以不同格式呈现时，这个新系统的力量最为显著。例如，如果研究人员使用化学结构图提出问题，而答案隐藏在具有特定代码名称的化合物文本描述中，标准搜索工具通常会失败。它们将图片和单词视为无关的东西。然而，DocuStore 可以将图片转换为它可以与文本进行匹配的数字代码。在以化学结构作为问题的测试中，新系统找到了 80% 的正确答案，而标准方法成功率不足 20%。这种在表示同一科学事实的不同方式之间进行转换的能力，使得该系统能够检索到那些对计算机而言原本是“隐形”的证据。
除了找到正确的页面外，该系统还改进了计算机生成最终答案的方式。当系统成功检索到正确证据时，它会利用这些信息生成一个准确且带有引用的响应。研究人员发现，该系统在不知道答案时，不太容易进行猜测或承认失败。它不会给出放弃或含糊其辞的回答，而是能够综合其找到的具体数据点。这在错误答案可能导致时间与资源浪费的领域中尤为重要。该系统还展示了处理对话中后续问题的能力，能够记住之前查询的上下文，从而在无需用户重复细节的情况下，回答关于同一化合物的新问题。
研究还强调了该系统目前仍面临挑战的地方，特别是当问题需要结合来自许多不同文档的信息来进行复杂的计算或比较时。虽然该系统在寻找跨多个报告的单个证据方面做得更好，但将这些碎片组合成一个完整的、经过计算的答案的最后一步仍然很困难。这表明，虽然该系统解决了定位正确信息的问题，但下一步在于教会计算机如何进行完成该任务所需的复杂推理。尽管如此，研究结果表明，将特定的化学知识融入计算机搜索和理解文档的方式，可以显著提高其性能。通过将科学证据视为结构、名称和数字构成的互联网络，而非仅仅是文本，研究人员创造了一种让计算机搜索能力更接近人类科学家实际思考和工作方式的工具。
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。