AI赋能空间科学决策：基于知识图谱与SpaceBERT的空间生命研究智能评估新范式

【编辑推荐】面对空间科学项目评估中专家评审的主观性与彩票模型的随机性局限，研究团队创新性地构建了空间生命科学知识图谱（Space-KG），开发了基于对比学习的预训练模型SpaceBERT和深度学习框架SpaceGL，实现了对前沿研究的精准预测。该研究为科研资源公平分配提供了AI驱动的客观评估方案，成果发表于《Life Sciences in Space Research》。

　　

在人类探索太空的六十余年历程中，如何公正评估科研项目的科学价值始终是困扰学界的难题。传统专家评审易受主观偏见影响，而新兴的"彩票模型"虽能降低人为干预，却难以确保优质项目脱颖而出。这种两难境地直接制约着空间科学资源的优化配置，尤其对空间生命科学这类高度交叉的前沿领域影响显著。

为解决这一痛点，中国科学院的研究团队开创性地将人工智能技术引入科研评估体系。他们通过构建首个空间生命科学知识图谱（Space-KG），整合NASA等权威机构的10,000余实体和40,000组关系数据，覆盖基因、蛋白质、疾病等多维度信息。研究采用SemRep工具提取语义特征，创新开发了基于对比学习的预训练模型SpaceBERT，并结合图神经网络（Graph Neural Network）构建了SpaceGL深度学习框架。该体系成功实现了对前沿研究方向的量化预测，其评估结果与专家评审和彩票模型形成三重验证。

关键技术方法包括：从结构化/非结构化数据构建Space-KG；通过对比学习微调SpaceBERT模型；基于GNN开发SpaceGL预测框架；采用NASA等机构的太空实验数据作为验证队列。

【Related Work】研究梳理了AI在生物医学领域的成功案例，如AlphaFold的蛋白质结构预测，为方法论提供理论基础。

【Methods】

• 知识图谱构建：整合多源数据建立Space-KG，涵盖基因、蛋白、疾病等实体；
• 模型开发：SpaceBERT通过对比学习捕捉语义特征，SpaceGL框架实现研究趋势预测。

【Results】

• 首次全景展示空间生命科学研究进展；
• SpaceGL预测结果与专家评估一致性达82%；
• 模型成功识别出3个未被专家关注的前沿方向。

【Discussion】研究证实AI评估可有效规避人为偏见，Space-KG的实体关系挖掘为机制研究提供新视角。SpaceBERT在跨模态数据处理中展现出优于传统NLP模型的性能。

【Conclusions】该研究创立了空间科学智能评估的新范式，其创新性体现在：

1. 构建首个跨尺度Space-KG知识体系；
2. 开发专用预训练模型SpaceBERT；
3. 验证AI评估相较传统方法的客观优势。

这项发表于《Life Sciences in Space Research》的成果，不仅为科研管理提供了可量化的决策工具，更开创了"AI+科研评估"的新纪元。其技术框架可扩展至其他学科领域，对推动科研资源优化配置具有里程碑意义。