夜雨聆风一个让所有植物研究者头疼的问题
做植物科研的人都有个感觉：文章太多，根本看不过来。你知道某个基因很重要，但到底谁问过什么问题、用了什么方法、发现了什么，这些信息全散落在不同论文的自由文本里。没有一张总图，也没有一个地方能让你一站查清楚。
近期，一篇来自哥本哈根大学等单位的预印本：Research Process Graph: LLM-Driven Extraction and Hierarchical Organization of Research Logic，就试着把这事情给解决了。
把每篇论文拆成三个东西
作者用GPT-5处理了2005年到2026年《Plant Cell》上的2633篇实验性研究论文。他们让模型从每篇全文里抽取出三类节点：
Q：研究问题（Research Question） M：实验方法（Method） F：研究结果（Finding）
然后按“什么问题用了什么方法”“什么方法产出了什么结果”连成有向链条。最终拿到11万个节点和12.6万条完整Q→M→F链条。
为了验证准不准，他们人工标了5篇论文去对比。GPT-5在节点层面的精度接近100%，完整链条的正确率超过98%。所以他们放心地把这套流程推到了全部论文上。
把论文里的“人话”翻译成“通用话”
每篇论文的表达不一样。有的写“拟南芥MET1蛋白”，有的写“水稻OsX”。为了比较，他们用GPT-5-mini做了一步泛化处理，把具体基因名、物种名、实验规模这些信息去掉，只保留科学意图，比如“检测两个蛋白是否互作”。
然后基于这些泛化后的句子，让模型自动提类目，分了两级：第一级10个大类，第二级约90个小类。
从问题这个维度看，占比最高的是“蛋白质与分子互作”（17.6%）、“基因调控与表观遗传”（15.9%）、“信号转导与胁迫免疫”（14.8%）。这三个加起来差不多吃掉一半。
问题和方法的对应关系，有很明显的固定搭配
他们把每篇论文的类别标签拿来做共现分析，发现问题和方法的搭配不是随机的：
代谢类问题→主要用代谢物检测方法 进化类问题→主要用基因组学方法 细胞生物学类问题→主要用显微成像方法 信号转导类问题→很少搭配基因组学方法
这些强配对和弱配对，实际上画出了这个期刊主流研究范式的边界。
整篇论文跑下来，只有七种固定“配方”
他们给每篇论文做了一个28维的向量（问题类别占比、方法类别占比、结果类别占比），然后做聚类，发现2633篇论文只聚成了七类。每一类都有自己主导的Q→M→F路径：
R1：基因调控类问题 → 转录组学方法 → 基因表达类结果 R2：蛋白互作类问题 → 蛋白生化方法 → 蛋白生化类结果 R3：发育类问题 → 表型分析 → 发育表型结果 R4：信号与胁迫 → 表型分析 → 胁迫信号结果 R5：代谢与运输 → 代谢物检测 → 代谢结果 R6：遗传与进化 → 计算方法 → 遗传进化结果 R7：细胞生物学 → 显微成像 → 细胞生物学结果
每一类内部还能继续分支出不同的子路径，但大骨架就是这七种。
课题组负责人的风格：有人专精，有人通才
他们统计了218位至少发了3篇以上论文的通讯作者，看他们的论文分布在这七类配方里是集中还是分散。结果是每类配方里都有完全专注一种的人，也有横跨多类的人。
然后他们做了一个有意思的分析：影响论文引用率的因素到底是什么。
控制了其他变量之后，与引用率正相关最强的是“该课题组使用的不同技术种类数”。论文总数反而是负相关。配方分布的广度（即跨领域程度）在控制前两个变量后，基本不贡献解释力。
通俗说：在这个数据集里，用更多样技术手段的课题组，论文影响力更高。光发得多或者涉猎领域广，并不直接关联。
二十年技术变迁：换了一批工具，但每篇用的总数没变多
他们列了一本约305种技术的词典，逐篇统计使用了哪些技术。对比2005-2010年和2020-2024年两个时段：
大幅上升：RNA-seq（0.3%→34%）、CRISPR（0→21%）、ChIP-seq、GWAS、BiFC等 大幅下降：PCR（70%→24%）、RT-PCR（49%→7%）、Northern blot（21%→2%）、microarray（18%→1%） 长期稳坐核心：Western blot、RT-qPCR、GFP荧光标记、共聚焦显微镜、过表达
但有意思的是，每篇论文用的技术种类数中位数从13种涨到15种，只涨了10%。方法类别数中位数一直维持在7类（共17类）。也就是这二十年，植物学的研究工具箱发生了成分置换，而不是规模扩张。新来的技术把老的挤掉了，但一篇论文的总体技术负担并没有明显加重。
他们基于技术共现关系建了一个网络，几个功能模块很明显：生物化学与酶学模块、植物病理与表型模块、细胞成像模块、比较基因组模块。还有一些技术充当模块之间的桥梁，比如质谱连接生化和蛋白质组，扫描电镜连接成像和表型。
他们把成果做成了公开数据库
这个图谱已经上线，网址是 https://rpg.connectome.tools/ 。提供了五个入口：
论文视图：每篇论文的Q、M、F列成三栏，旁边画成小图，看逻辑关系。 相关论文推荐：按Q、M、F标签相似度排序，权重可调。 智能研究助手：输入你自己的研究问题，系统会返回建议的方法，每个推荐都带具体的论文实例和DOI链接；还能推荐后续问题，并支持对话式调整（比如你说我没有共聚焦显微镜，它会重新推荐）。 研究者档案：展示某个通讯作者的发文量、技术偏好、问题领域，以及跟哪些PI的技术画像更接近。 分类浏览和方法网络：按层级浏览问题、方法和结果的类别，也可以点开一个技术看它经常和哪些技术一起出现。
局限性
作者很坦诚地点了三条：
只用了《Plant Cell》这一本期刊，结果反映的是这个期刊的编辑导向和文化，不能直接当成整个植物科学的全貌。 LLM提取不是100%无错，偶尔会理解偏差或连错边，建议用户点开原文核实。 只处理了输入文本里的内容，图表和补充材料里的信息可能没覆盖到。
但他们也强调，这个框架本身不依赖特定期刊或领域，接下来计划扩展到更多植物学期刊和全文内容。
最后一句
这是一次把“科研逻辑”本身当作研究对象的大规模尝试。它不再只是告诉你某个基因跟某个表型有关，而是告诉你：这个问题被问过多少次、用什么方法去问的、产出了什么结果，以及谁在做、怎么做的、做法的演变是什么。对于想快速进入一个新领域的植物科研人员，或者正在筹划下一步实验方向的人，这个图谱应该能省下不少翻文献的时间。
米源生物提供专业的多组学测序、生物信息学分析和智能育种解决方案，欢迎联系我们。为了更好地服务于您，可扫码咨询！
