Pre-Meta：基于先验增强检索与大语言模型的生物医学元数据自动生成框架及其在基因组数据标准化中的应用研究

本研究针对生物医学数据共享中元数据标注碎片化、异构化严重的问题，开发了Pre-Meta这一基于大语言模型（LLM）的先验增强检索生成框架。通过整合预生成元数据标签与领域本体（如OBI、EFO），该研究在ArrayExpress和Europe PMC数据集上验证了其显著提升元数据标注准确性（GPT-4o mini准确率提升23%），为跨数据库数据发现与FAIR原则实践提供了自动化解决方案。

　　

随着高通量测序技术的飞速发展，基因组数据呈现爆炸式增长，但数据标注和元数据生成仍高度依赖人工操作，导致数据在不同公共存储库中的发现与共享效率低下。目前全球存在2000多个科研数据存储库，仅NCBI的GenBank就拥有超过20亿条序列，GEO和ArrayExpress分别存档了10万和7万个实验数据。然而，这些平台使用各异的元数据模式（如MAGE-TAB、MINiML），缺乏统一规范，使得研究人员在数据提交和发现过程中面临巨大挑战。

大语言模型（LLM）虽在自然语言处理领域展现出强大能力，但其在生物医学等专业领域存在泛化能力不足、训练数据偏差（如过度代表常见疾病和英语资源）以及术语不一致等问题。检索增强生成（RAG）技术通过整合外部知识源部分缓解了这些问题，但仍难以应对基因组元数据的高度异质性。

为此，研究团队开发了Pre-Meta（Priors-augmented Retrieval for LLM-based Metadata Generation），一个不依赖特定LLM且领域无关的数据标注流水线。该框架通过引入先验知识（如预生成元数据标签和本体概念）作为辅助信息，显著提升了元数据生成的准确性。研究成果发表于《Bioinformatics》，为生物医学数据管理的自动化与标准化提供了新思路。

研究采用的关键技术方法包括：1）从ArrayExpress和Europe PMC获取14,844篇科学论文及其关联元数据文件构建实验数据集；2）选用ArrayExpress的五个核心元数据字段（如hardware、organism part）作为评估目标，并对其进行标签标准化处理；3）利用owlready2包处理生物医学本体（OBI、EFO、BTO），提取子树节点描述作为先验知识；4）使用sentence transformer（all-MiniLM-L6-v2）进行嵌入表示与余弦相似度计算；5）基于LlamaIndex和LangChain实现文本分块与检索；6）采用outlines包和OpenAI结构化输出实现约束生成，确保输出符合预设标签集。

3 Experiments

通过从1500篇论文中均匀采样300×5字段样本进行测试，Pre-Meta在多项指标上表现出系统性提升。实验结果显示：

3.4 Results

使用GPT-4o mini时，Pre-Meta相比传统RAG方法平均准确率提升23%（0.588 vs 0.467），其中hardware字段提升最大（54.0% vs 32.3%）。对于开源模型（Llama 8B和Mistral 7B），提升幅度达72%和75%。Pre-Meta Onto（基于本体检索）在assay by molecule字段表现最佳（81.7%准确率），证明本体知识的引入有效增强语义理解。

4 Discussion

4.1 Error Analysis

领域层面：不同字段准确性差异显著，assay by molecule和organism part字段表现优异（>70%），而experimental design字段普遍较低（<35%），反映生物医学数据的固有异质性与本体应用不均衡。

模型层面：GPT-4o mini整体优于开源模型，但所有模型均存在列表位置偏差（早期选项被优先选择）。

检索策略：仅使用50%预生成标签（12个）即可达到与本体检索相近效果，表明先验信息的质量比数量更重要。

4.2 Cost and computation

Pre-Meta大幅降低计算成本：GPT-4o mini处理全文需4.1美元/1500样本，而检索后生成仅需0.3美元；开源模型（Llama 8B）在RTX 3090上单字段生成耗时3.5秒，具备实际部署可行性。

4.4 Related Work

与极端多标签分类（XMC）和现有生物医学QA基准（如BioASQ、MedQA）相比，Pre-Meta专注于元数据标准化这一短形式生成任务，无需微调或复杂提示工程，通过轻量级先验整合实现性能提升。

研究结论表明，Pre-Meta通过融合领域先验知识与LLM，有效解决了生物医学元数据生成中的碎片化问题，支持了FAIR原则（可查找、可访问、可互操作、可重用）中的机器可操作性要求（F2、F4、I1、R1.3）。该框架的领域无关设计使其可扩展至其他专业领域，为大规模数据标注与跨库数据集成提供了实用化工具。局限性包括当前仅支持文本型元数据，且依赖现有存储库的标签清洁度，未来工作将探索自动先验识别与跨域应用。