利用公共AI工具探索系统生物学资源在数学建模中的应用：降低非专业人士的学习门槛

编辑推荐：本研究针对系统生物学数据格式复杂、非专业人士难以理解的问题，探索了ChatGPT等公共AI工具在解析SBML、BioPAX等建模格式中的应用。结果表明AI能有效转换非人类可读数据为简明解释，但存在平台间性能差异。该研究为降低系统生物学学习门槛提供了创新方法，发表于《npj Systems Biology and Applications》。

　　

在生物医学研究领域，系统生物学通过整合多组学数据构建数学模型，已成为揭示复杂生命现象的关键手段。然而，这一领域的专业壁垒令人望而生畏——数学模型常以SBML（Systems Biology Markup Language）等机器可读格式存储，涉及微分方程、网络拓扑等抽象概念，使得缺乏数学背景的生物学家难以驾驭。更棘手的是，COMBINE倡议组织推出的十余种标准格式（如描述通路的BioPAX、可视化图形的SBGN）虽促进了数据交换，却进一步加剧了理解难度。这种"数据丰富而知识贫乏"的困境，严重制约了系统生物学研究成果的转化应用。

针对这一挑战，来自美国康涅狄格大学健康中心的Michael L. Blinov团队创新性地提出利用公共AI工具作为"翻译器"。研究人员选取ChatGPT、Perplexity等9种主流AI平台，系统评估其对系统生物学核心要素的解析能力：包括数学公式的生物学含义解读（如IGF-1抑制IL-6产生的Hill方程）、模型结构识别（如EGFR二聚化过程）、以及不同格式文件的语义转换。通过设计三级复杂度递增的EGFR信号通路模型（从基础配体-受体结合到包含Grb2/Shc/Sos的复合体形成），研究团队建立了标准化测试体系。

关键技术方法包括：1）从Reactome等数据库获取标准格式文件（SBGN、BioPAX）；2）使用Virtual Cell软件构建并导出VCML/SBML格式的EGFR模型；3）通过分块输入策略克服AI工具文本长度限制；4）设计阶梯式提问流程提取生物学解释。测试样本涵盖神经形态模型（NeuroML）、衰老相关分子动力学模型等典型场景。

数学建模在系统生物学中的应用
研究证实，AI工具能有效解释微分方程的生物意义。例如HyperWrite准确解析了衰老模型中IL6动力学方程d[IL6]/dt = kp_IL6/(1+(ks_IGF1·IGF1)²)-kd_IL6·IL6，指出IGF1浓度平方项反映协同抑制效应。这种解读显著降低了理解Hill系数等专业概念的难度。

系统生物学数据格式分析
在7种标准格式测试中，SBML兼容性最佳，所有AI均能处理；而BNGL（BioNetGen Language）因缺乏注释导致部分工具误读。值得注意的是，Perplexity能从SBGN文件提取EGFR二聚化等关键事件，证明AI在图形化标注解读中的潜力。

公共AI工具比较
性能评估显示：ChatGPT在匿名使用时表现最优，能识别Dp为EGFR磷酸化形式；HyperWrite独有数学公式解析能力；而Gemini对VCML格式的解析准确率达80%。但普遍存在响应不一致性——同一问题重复提问可能获得矛盾答案。

AI辅助系统生物学的工作流程
研究提出"分步聚焦"策略：先要求AI仅基于输入数据作答，再逐步追问物种相互作用等细节。例如通过"描述Ra与D的转化关系"等定向提问，可将EGFR模型解析准确率提升40%。

这项研究开创性地证实，公共AI能有效弥合系统生物学的认知鸿沟。尤其对VCell等专业软件生成的模型，AI解释帮助非专业人士在数分钟内理解原本需数周学习的内容。但研究者强调需保持审慎态度——测试中发现38%的AI回答存在部分错误，如MetaAI将IGF-1与IL-6的抑制关系错误描述为相互激活。这种"混合真相"特性提示，AI工具当前更适合作为学习辅助而非决策依据。

该成果为生物医学教育带来重要启示：通过合理设计交互策略，可构建"AI导师系统"来降低系统生物学入门门槛。未来研究可探索结合知识图谱技术提升AI解释的可靠性，或将此方法扩展到单细胞组学等新兴领域。正如作者所述："当AI将SBML方程转化为生物学故事时，我们正在见证计算生物学普及化的革命性开端。"