一个大语言模型驱动的代谢学研究地图
Olatomiwa O Bifarin1, Varun S Yelluru2, Aditya Simhadri2
1School of Chemistry and Biochemistry, Georgia Institute of Technology, Atlanta, Georgia 30332, United States.
Analytical chemistry
|July 3, 2025
概括
这项研究使用人工智能绘制了代谢学领域的地图,揭示了20个关键研究主题和趋势,如深度学习和生物标志物发现. 它为理解代谢学研究动态提供了一个框架.
科学领域:
- 代谢学研究的研究.
- 生物信息学是一种生物信息学.
- 科学文献分析,科学文献分析.
背景情况:
- 代谢学是一个快速增长的领域,有超过8万份出版物.
- 了解代谢学研究的主题结构和趋势对于指导未来研究至关重要.
研究的目的:
- 创建一个全面地图的代谢学研究景观.
- 确定关键的研究领域,新兴主题和时间趋势.
- 为文学综合提供一个框架,并确定未来的研究轨迹.
主要方法:
- 利用PubMedBERT从超过8万份出版物摘要中生成768维的嵌入.
- 应用t-SNE来减少维度以可视化主题集群.
- 采用神经主题建模管道,使用GPT-4o mini精细化,以识别20个不同的研究主题.
- 进行时间分析和综合元数据 (出版统计,样本大小).
主要成果:
- 在分析化学,植物生物学,药理学和临床诊断方面确定了不同的研究集群.
- 揭示了20个关键主题,包括"植物应激反应机制"",NMR光谱创新"和"COVID-19代谢和免疫反应".
- 观察到2015年后深度学习方法的增加以及对生物标志物发现的持续关注.
- 开发了一个交互式Web应用程序,用于动态探索发现.
结论:
- 这项研究为合成代谢学文献提供了一个强大的框架.
- 这些发现使研究人员,临床医生和决策者能够导航新兴趋势.
- 确定了代谢学领域的关键挑战和未来方向.
