评估已预训练的大型语言模型的搜索功能,用于PubChem数据库的检索任务

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 生物和生物医学研究在很大程度上依赖数据库进行数据管理.
• 目前的数据库访问方法通常是手动的,耗时的.
• 大型语言模型 (LLM) 为自动化和简化数据库交互提供了一个潜在的解决方案.

研究的目的:

• 为了评估预先训练的,启用搜索的LLM (ChatGPT-4o) 对于从PubChem数据库中检索数据的有效性.
• 开发和评估将PubChem访问协议集成到LLM提示符中的方法.
• 为了比较不同的LLM提示生物数据检索策略.

主要方法:

• 调查了八个已记录的PubChem访问协议.
• 开发了一个快速的工程方法,包括代的改进和上下文补充.
• 指示ChatGPT-4o生成用于数据检索的程序访问.
• 定量和质量评估的检索准确性.

主要成果:

• 指示ChatGPT-4o生成程序访问以从PubChem获取数据,可以获得更准确的结果.
• 开发的快速工程方法提高了LLM在访问生物数据库中的性能.
• 展示了LLM克服手动数据访问挑战的潜力.

结论:

• LLM,特别是ChatGPT-4o,显示出改变生物数据库访问的重大前景.
• 通过LLM提示程序生成程序访问是一种更有效的策略,用于准确的数据检索.
• 未来的研究应该专注于进一步开发LLM,以实现无和高效的数据库交互.