肝毒性的系统分析:结合文献挖掘和AI语言模型
Chris Bauer1, Long Tran Duc Dang1, Twan van den Beucken2
1MicroDiscovery GmbH, Berlin, Germany.
Frontiers in artificial intelligence
|August 12, 2025
概括
自动化文本挖掘有效地从超过5万种化合物中识别出潜在的肝毒性物质. 大型语言模型在预测肝损伤方面表现出卓越的表现,优于传统的文本挖掘方法.
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 毒理学文献的数量正在迅速增加,这给研究人员带来了挑战.
- 综合大量的公布信息对于保持最新状态至关重要.
研究的目的:
- 从5万多种化合物中自动识别潜在的肝毒剂.
- 为了利用科学出版物和知识进行毒性评估.
主要方法:
- 三种自动信息提取方法的比较:文本挖掘,词嵌入和大型语言模型.
- 对超过5万种化合物的肝毒性得分的计算.
- 使用药物诱导性肝损伤 (DILI) 作为使用案例的方法性能评估.
主要成果:
- 文本挖掘实现了DILI验证的曲线下的面积 (AUC) 为0.8.
- 大型语言模型表现出卓越的性能,AUC为0.85.
- 结合方法为DILI验证提供了0.87的最高AUC.
结论:
- 自动化文本挖掘成功评估化合物毒性.
- 大型语言模型,特别是具有快速工程,提供最佳性能.
- 结果可供下载,以推进毒性评估研究.
更多相关视频
07:23Author Spotlight: Developing a Simple and Robust Hepatic Model for Pharmacological and Toxicological Applications
Published on: October 20, 2023
1.5K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
578
