APMSR: интеллектуальная система ответов на вопросы для синтетической биологии с адаптивным побуждением и многоканальным извлечением знаний

Более умные ответы для новой биологии

Синтетическая биология обещает более чистое топливо, экологичные производства и новые медицинские методы, но сама наука развивается настолько быстро, что даже специалисты не всегда успевают за новыми результатами. В этом исследовании представлена APMSR — интеллектуальная система ответов на вопросы, созданная, чтобы помогать исследователям быстро находить надежные сведения о ключевом микроорганизме для биотоплива, Zymomonas mobilis. Объединив модели большого языка с тщательно подобранными онлайновыми и оффлайновыми источниками, система стремится давать точные, актуальные ответы, а не уверенные, но ошибочные догадки.

Проблема правильной постановки вопросов

Ученые уже пользуются поисковыми системами и онлайн‑базами данных, но эти инструменты часто возвращают длинные списки статей вместо прямых ответов. Модели большого языка (LLM) умеют плавно рассуждать на множество тем, однако в быстро меняющихся областях, таких как синтетическая биология, они могут пропускать недавние открытия или даже «выдумывать» факты. Авторы сосредоточились на практической задаче — ответах на вопросы экспертного уровня о Z. mobilis, бактерии, ценимой за высокую эффективность превращения сахаров в этанол. В этом контексте неправильные ответы — не просто неприятность, они могут привести к ошибочным экспериментам и неверным инвестиционным решениям.

Направление ИИ с помощью правильных инструкций

Ключевая идея в APMSR — то, как вы формулируете инструкцию модели, имеет такое же значение, как и то, что вы спрашиваете. Вместо одной фиксированной инструкции система сначала просит LLM определить тип вопроса — например, множественный выбор или утверждение «истинно/ложно». После распознавания типа APMSR автоматически выбирает соответствующий «шаблон подсказки», который указывает модели, как рассуждать и как форматировать ответ. Вопросы с множественным выбором, например, побуждают модель тщательно сравнивать варианты, тогда как для «истинно/ложно» акцент делается на проверке корректности утверждения и объяснении причин. Такое адаптивное побуждение помогает удерживать модель в фокусе и уменьшает отвлеченные, не по теме ответы.

Выбор лучших источников для поиска фактов

Один только правильный инструктаж недостаточен — системе нужно искать в нужных местах. APMSR подключается к трем видам источников информации: локальной библиотеке курируемых научных статей, актуальным веб‑ресурсам и гибриду, объединяющему оба типа. Для каждого запроса система рассматривает эти три варианта как конкурирующие «пути» и использует математическую стратегию LinUCB, изначально созданную для балансирования риска и выгоды в задачах принятия решений. LinUCB оценивает, насколько хорошо каждый путь сработал на основе предыдущих вопросов и их результатов, затем выбирает путь, наиболее вероятно приведущий к правильному ответу, одновременно время от времени испытав альтернативы. Со временем этот обратный цикл обучения показывает системе, какие комбинации источников оказываются наиболее надежными для разных типов вопросов.

Испытание системы

Чтобы проверить, действительно ли эти идеи помогают, команда собрала специализированный тестовый набор из 220 экспертных вопросов о Z. mobilis, поровну разделенных между форматами множественного выбора и «истинно/ложно», все вопросы были получены из рецензируемых исследований. Они сравнили три конфигурации: голую LLM без внешних документов, стандартную систему с извлечением только из локальной базы и полную систему APMSR. Точность выросла с 54% для голой модели до 80% при стандартном извлечении, а затем до 93% после добавления адаптивных подсказок и селектора путей на основе LinUCB. Оптимизированная система также опередила существующую модель, ориентированную на синтетическую биологию, SynBioGPT, примерно на 19 процентных пунктов, что указывает на то, что умная оркестровка подсказок и извлечения может быть важнее простого увеличения размера модели.

Что это значит для будущей лабораторной работы

Для неспециалистов главный вывод в том, что авторы создали нечто вроде «исследовательского копилота», который не только говорит бегло, но и умеет проверять несколько источников и структурировать собственное мышление. Настраивая и форму постановки вопросов, и способы сбора информации, APMSR заметно сокращает число вводящих в заблуждение ответов в сложной, быстро развивающейся области. Хотя текущая система сосредоточена на одном микроорганизме и вопросах в формате викторины, тот же подход можно расширить на более широкие области биологии и дальше, помогая ученым, инженерам и, возможно, в будущем клиницистам задавать лучшие вопросы и получать более надежные ответы от ИИ-инструментов.

Цитирование: Wang, J., Cao, Z., Tian, Z. et al. APMSR: an intelligent QA system for synthetic biology empowered by adaptive prompting and multi-source knowledge retrieval. Sci Rep 16, 7331 (2026). https://doi.org/10.1038/s41598-026-38006-8

Ключевые слова: синтетическая биология, ответы на вопросы, модели большого языка, генерация с поддержкой извлечения, Zymomonas mobilis