MAPLE：用大语言模型自动化提取文献中的QSP模型参数

MAPLE是一个结构化管道工具，利用大语言模型（LLM）从科学文献中提取定量药理学参数，并通过贝叶斯推理生成信息性先验分布，解决定量系统药理学（QSP）模型校准的数据分散、来源异质等难题，助力药物研发中的参数提取与模型构建。

QSP模型包含大量无法直接临床测量的生物学参数，相关数据分散在数百篇文献中，来源涉及不同物种、适应症，格式多样且转化困难。传统人工处理易出错，MAPLE通过LLM辅助提取和统计推断实现自动化标准化。

MAPLE采用两阶段校准管道：

1. 文献提取与验证（LLM+Pydantic生成YAML文件）+ 联合MCMC推理生成子模型先验
2. 结合临床数据与QSP模拟器进行SBI推断 创新点在于量化数据来源质量（8维度评估），通过翻译sigma调整数据源权重，如小鼠数据权重低于人类临床数据。

• YAML结构：结构化文献测量与模型参数关联，包含目标ID、输入、校准规则、来源相关性等
• 前向模型类型：支持代数公式、剂量反应拟合、ODE系统等多种类型
• 干扰参数处理：标记额外参数为nuisance，在MCMC中估计但排除于最终输出
• 批量管道：分文献搜索、PDF收集、评估、提取、验证等阶段，支持缓存机制
• 输入格式：目标参数CSV需包含ID、参数、癌症类型及搜索注释（如具体关键词）

• 编码助手协作：通过MCP协议调用Claude/Codex等工具，自动完成文献搜索、提取与YAML验证，用户负责审核
• Python API：调用process_targets函数处理priors_csv和yaml文件
• 批量提取：分阶段并行处理大规模参数，各阶段结果独立缓存
• 最佳实践：注释字段需包含速率公式和具体搜索词（如"MVD growth kinetics"）以提升搜索效率

适用于：

1. 新药研发QSP模型构建
2. 模型再校准（新数据更新参数）
3. 跨物种/适应症模型迁移
4. 监管申报支持（参数追溯与不确定性量化） 显著降低QSP模型校准门槛，让更多团队构建高质量模型。

MAPLE将LLM作为信息提取工具，辅助科学家完成验证与解释工作，整合文献提取、统计推断与不确定性量化于标准化管道。未来随着LLM能力提升，这类工具将在生物医学研究中发挥更重要作用。