Affinage：从已发表文献中进行全基因组规模的机制性基因注释

理解基因的机制功能是生物学的关键起点。然而，对于人类蛋白质组的大部分，这些知识分散在数千篇原始论文中，或者仍然不完善，而生物学家依赖的精选数据库可能落后于最新文献数年。大型语言模型现在可以按需阅读和综合这些文献，但对许多基因忠实地这样做是一次昂贵、不可重复的检索会话，无法跨用户扩展。在此，我们介绍了Affinage，一个LLM流水线，它仅从原始文献中为每个基因执行一次这种检索和机制推理，并将结果存储为可重用的结构化注释。一个生物学家设计的阅读过程仅提取直接实验证据，一个综合过程仅基于这些发现进行推理。应用于整个基因组，Affinage注释了19,293个人类蛋白质编码基因。该分析为数千个UniProt功能为空或简略的基因提供了机制，在99.1%的正面交锋基因上击败了精选参考（由跨家族LLM评判员评分）。Affinage还描绘了蛋白质组中10%仍未机制表征的部分，并将作为持续更新、基于文献的基因功能普查。所有记录在https://affinage.wi.mit.edu公开。更广泛地说，Affinage是领域专家如何将其专业知识编码到可扩展的LLM流水线中，以改进指导生物学假设和实验的公开数据的示例。