[论文解读] AptaFind: A lightweight local interface for automated aptamer curation from scientific literature

Geoffrey J. Taghon|arXiv (Cornell University)|Jan 12, 2026

Biomedical Text Mining and Ontologies被引用 0

一句话总结

AptaFind 将本地语言模型与确定性正则方法结合起来，通过三层本地设备管线从文献中 curate 适体数据，覆盖率约为 84%（跨层），处理速度约为 953 个目标/小时。

ABSTRACT

Aptamer researchers face a literature landscape scattered across publications, supplements, and databases, with each search consuming hours that could be spent at the bench. AptaFind transforms this navigation problem through a three-tier intelligence architecture that recognizes research mining is a spectrum, not a binary success or failure. The system delivers direct sequence extraction when possible, curated research leads when extraction fails, and exhaustive literature discovery for additional confidence. By combining local language models for semantic understanding with deterministic algorithms for reliability, AptaFind operates without cloud dependencies or subscription barriers. Validation across 300 University of Texas Aptamer Database targets demonstrates 84 % with some literature found, 84 % with curated research leads, and 79 % with a direct sequence extraction, at a laptop-compute rate of over 900 targets an hour. The platform proves that even when direct sequence extraction fails, automation can still deliver the actionable intelligence researchers need by rapidly narrowing the search to high quality references.

研究动机与目标

• 解决分散的适体文献问题并减少人工筛选工作量。
• 开发一个本地、无需云端的管线，将语言模型与确定性解析相结合以提高可靠性。
• 提供三层输出（直接序列、经过筛选的线索、完整文献）以在准确性和覆盖之间取得平衡。
• 在 UT 数据库目标上验证该方法并量化各层的性能。
• 提供开源软件，强调隐私性和可重复性。

提出的方法

• 集成三层智能架构：直接序列提取（Tier 1）、经过筛选的线索（Tier 2）、全面文献发现（Tier 3）。
• 使用本地 1B 参数的 Llama3.2 模型进行语义理解并在设备上处理。
• 将语言模型引导与确定性正则管道（Minimum Agentic Flow，MAF）结合用于验证、去重和格式化。
• 通过正则提取核苷酸序列（20–100 nt）和结合数据（Kd、Ki），并保持单位不变，随后用 LM 上下文进行数据协调。
• 由本地 PDF、PubMed/PMC 与 bioRxiv 进行多源发现，如有需要进行补充抓取和浏览器自动化。
• 在生物学约束（长度 20–100 nt，GC 20–80%，5’→3’ 方向）下验证序列，并在各来源之间以 100% 同一性去重。

Figure 1: AptaFind implements a three-tier research intelligence approach ensuring every search delivers actionable value. (A) System Architecture: Multi-source literature discovery combines PubMed, PMC, and bioRxiv searches with supplement harvesting and browser automation for comprehensive coverag

实验结果

研究问题

• RQ1 AptaFind 的三层输出在捕获来自多样化文献来源的适体数据方面有多有效？
• RQ2 在典型硬件上的各层回收率和处理速度是多少？
• RQ3 MAF 原则是否比以 LM 为主或以正则为主的方法提高了可靠性？
• RQ4 在付费墙内容、基于图像的序列提取、以及复杂表格方面有哪些局限？
• RQ5 该方法能否扩展到除适体之外的其他文献挖掘领域？

主要发现

• Tier 3（文献发现）在 100 个目标样本上实现 84.0% ± 3.5% 的覆盖率。
• Tier 2（研究线索）在 100 个目标样本上实现 84.0% ± 3.5% 的覆盖率。
• Tier 1（直接提取）在 100 个目标样本上实现 79.3% ± 0.6% 的覆盖率。
• 在 Mac Studio（M2 Max）上处理速度约为 954 ± 43 个目标/小时。
• 验证表明 MAF 方法通过将语义理解与确定性数据处理分离来提高可靠性。
• 该方法保持本地化，无云端依赖，提供约 1000 个目标查询/小时的能力， enabling 快速文献筛选。