生物序列提取与标准化
场景方案提取蛋白与核酸序列，规范化格式、拆解修饰信息、对齐 SEQ ID NO 编号与正文引用，处理跨页续接与数据库交叉引用，输出可直接入库的序列数据集。
SEQ ID NO跨页续接修饰拆解
§ 01
这个领域的数据特点
序列不等于那串字母序列天生不适合被「识别」
蛋白与核酸序列是字母与数字混杂的长字符串，没有自然语言那样的冗余信息来纠错。一个残基被读成相邻残基，整条序列的生物学含义就可能改变，而文本上看起来毫无异样。
所以可靠路径不是「让模型识别」，而是把版式、编号与上下文一起作为约束来核对。
断行与跨页是常态
序列表经常跨页、跨栏，甚至被图注打断。跨页断点如果被当成两条独立序列，会直接产生两条错误的记录，而且这类错误在下游很难被发现。
价值藏在「外挂信息」里
同一条序列，带上 SEQ ID NO 编号、修饰位点与数据库交叉引用才有意义。抽取序列本体只是第一步，把它的外挂信息重新对齐才是决定可用性的部分。
§ 02
我们处理的子任务
序列本体与它的外挂信息
本体
序列提取与标准化
蛋白与核酸序列提取与格式规范，可按 FASTA 等通用格式导出
标准化
版式
跨页与跨栏续接
跨越分页、分栏与图注的序列重建，记录断点位置与续接依据
续接重建
修饰
修饰信息拆解
修饰类型、位点与表示法归一，保留原文写法以便回溯
修饰层
编号
编号体系对齐
SEQ ID NO 在正文引用、序列表与附图之间的三方对齐
编号对齐
引用
数据库交叉引用
关联权威数据库标识，以及中医药领域的多表清洗与知识库构建
交叉引用
短肽、寡核苷酸、抗体轻重链序列都在处理范围内。抗体类数据通常还会关联到抗原、链配对与亲和力常数，这条链路可以与序列提取合并执行。
§ 04
常见问题
合作前常被问到的问题序列跨页或跨栏断开怎么处理？
按续接规则重建整条序列，并记录断点位置与续接依据。不把跨页视为两条独立序列，也不凭长度拼接——续接必须有版式或编号上的依据，否则会制造出两条错误的记录。
修饰残基的表示法不统一怎么办？
保留原文表示并另立归一字段，记录修饰类型与位点。不同文献对同一修饰的写法可能不同，直接归一会掩盖差异，而这些差异往往是下游最关心的部分。
序列相似与序列相同是一回事吗？
不是。判定以逐位比对为准，不做「看起来一样就合并」的处理，差异位点单独标出。相似序列被误合并，下游会直接少掉关键的变体信息。
中医药知识库这类数据怎么处理？
草药、成分、靶点、疾病等实体分散在多张来源表中，处理重点是同一实体的跨表关联与冲突消解，而不是单表抽取。这类任务的难点在实体对齐，不在文本识别。