解锁生物工作流程以实现稳健的蛋白质文本问答：二维 RAG 框架

蛋白质文本问答 (QA) 对于通过自然语言解释生物序列至关重要。 大语言模型 (LLM) 与检索增强生成 (RAG) 的集成可有效利用生物数据库并促进推理，为此提供了一种有效的方法。然而，受标准 RAG 流程的限制，这些模型通常依赖于精心策划的静态数据集，而不是经过专家验证的生物工作流程，缺乏细粒度的信息处理，并且难以推广到新型 (OOD) 蛋白质。为了弥补这一差距，我们提出了 2D-ProteinRAG，这是一种新颖的框架，使 LLM 能够在黄金标准生物研究工作流程 (BLAST) 中运行。为了进一步从嘈杂的检索上下文中提取高质量信息，我们引入了遵循专家分析范式的二维（2D）过滤策略。水平细粒度属性对齐利用轻量级、意图感知的判别过滤器来修剪不相关的元数据并将数据库条目与特定的用户查询对齐。基于垂直同源性的语义去噪通过层次聚类解决了多个同源物之间的功能矛盾和冗余。对 In-Distribution 和各种生物 OOD 基准的广泛评估表明，2D-ProteinRAG 始终如一地实现了最先进的性能，优于微调基线和其他 RAG 方法。我们的结果验证了该框架的稳健性和可扩展性，为解释现实科学场景中的蛋白质功能提供了实用的解决方案。