APMSR: ett intelligent QA‑system för syntetisk biologi möjliggjort av adaptiv prompting och flerkälls‑kunskapsinhämtning

Smartare svar för en ny typ av biologi

Syntetisk biologi lovar renare bränslen, grönare fabriker och nya medicinska behandlingar, men forskningen går så snabbt att även experter har svårt att hänga med. Denna studie introducerar APMSR, ett intelligent fråge‑ och svarsystem utformat för att hjälpa forskare hitta tillförlitliga svar snabbt om en viktig biofuelmikroorganism, Zymomonas mobilis. Genom att kombinera stora språkmodeller med noggrant utvalda online‑ och offlinekällor syftar systemet till att ge precisa, uppdaterade svar snarare än självsäkra men felaktiga gissningar.

Utmaningen att ställa bra frågor

Forskare förlitar sig redan på sökmotorer och online‑databaser, men dessa verktyg returnerar ofta långa listor med artiklar istället för direkta svar. Stora språkmodeller (LLM:er) kan tala flytande om många ämnen, men inom snabbföränderliga fält som syntetisk biologi kan de missa nya upptäckter eller helt enkelt hitta på saker. Författarna fokuserar på det praktiska problemet att besvara expert‑nivåfrågor om Z. mobilis, en bakterie värderad för sin effektiva omvandling av socker till etanol. I detta sammanhang är felaktiga svar inte bara störande — de kan leda experiment och investeringar i fel riktning.

Vägleda AI:n med rätt instruktioner

En central idé i APMSR är att hur man instruerar modellen är lika viktigt som vad man frågar. Istället för att använda en enda, fast instruktion ber systemet först LLM att identifiera vilken typ av fråga det rör sig om — till exempel ett flervalsprov eller ett sant/falskt‑uttalande. När typen är igenkänd väljer APMSR automatiskt en matchande ”prompt‑mall” som talar om för modellen hur den ska resonera och hur svaret ska formateras. Flervalsfrågor uppmuntras exempelvis att jämföra alternativen noggrant, medan sant/falskt‑frågor styrs mot att kontrollera riktigheten i ett påstående och förklara varför. Denna adaptiva prompting hjälper modellen att hålla fokus och minskar kringgående, orelaterade svar.

Välja bästa stället att leta fakta

Bra instruktioner är inte tillräckligt; systemet måste också söka på rätt ställen. APMSR kopplas till tre typer av informationskällor: ett lokalt bibliotek med kurerade vetenskapliga artiklar, levande webbresurser och en hybrid som slår ihop båda. För varje användarfråga behandlar systemet dessa tre val som konkurrerande ”vägar” och använder en matematisk strategi kallad LinUCB, ursprungligen utvecklad för att balansera risk och belöning i beslutsproblem. LinUCB värderar hur väl varje väg verkar fungera baserat på tidigare frågor och deras resultat, och väljer sedan den väg som mest sannolikt ger ett korrekt svar samtidigt som den ibland provar alternativ. Med tiden lär denna feedbackloop systemet vilka kombinationer av källor som tenderar att vara mest pålitliga för olika frågestilar.

Sätta systemet på prov

För att se om dessa idéer faktiskt hjälper byggde teamet ett specialiserat testset på 220 expertfrågor om Z. mobilis, jämt fördelade mellan flervals‑ och sant/falskt‑format, alla hämtade från granskade studier. De jämförde tre upplägg: en ren LLM utan externa dokument, ett standard system med retrieval‑augmentation som endast använde en lokal databas, och deras fulla APMSR‑design. Noggrannheten steg från 54 % för den rena modellen till 80 % med standardretrieval, och vidare till 93 % när adaptiva prompts och LinUCB‑baserad vägvalskomponent lades till. Det optimerade systemet överträffade också en befintlig syntetisk‑biologi‑inriktad modell kallad SynBioGPT med omkring 19 procentenheter, vilket tyder på att smart orkestrering av prompts och retrieval kan spela större roll än att bara träna en större modell.

Vad detta innebär för framtida labbarbete

För icke‑specialister är huvudpoängen att författarna byggt en slags ”forsknings‑co‑pilot” som inte bara formulerar sig flytande utan också vet när den ska kontrollera flera källor och hur den ska strukturera sitt eget tänkande. Genom att finjustera både hur frågor formuleras och hur information samlas in minskar APMSR kraftigt risken för vilseledande svar i ett komplext, snabbt föränderligt fält. Även om det nuvarande systemet fokuserar på en enda mikroorganism och quiz‑liknande frågor kan samma angreppssätt utvidgas till bredare områden inom biologi och bortom, och hjälpa forskare, ingenjörer och kanske så småningom kliniker att ställa bättre frågor och få mer pålitliga svar från AI‑verktyg.

Citering: 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

Nyckelord: syntetisk biologi, fråge‑svar, stora språkmodeller, retrieval augmented generation, Zymomonas mobilis