大型语言模型的应用和快速优化用于从生物路径图表中提取知识

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
• 人工智能在医学中的应用

背景情况:

• 大型语言模型 (LLM) 在图像理解方面表现有前途.
• 从生物通路图像中提取基因相互作用对于理解细胞过程至关重要.
• 目前的方法通常依赖于传统的光学字符识别 (OCR),但这种功能可能有限.

研究的目的:

• 为了自动化和增强从生物通路图像中提取基因相互作用.
• 评估领先的AI聊天机器人 (GPT-4oV,Claude-3.5V,Gemini-1.5V,Llama-3.2V) 在这个任务中的表现.
• 调查使用基因算法 (GA) 快速优化的有效性.

主要方法:

• 一个由200个瘤信号通路数字组成的数据集从最近的文献中整理出来.
• 四个先进的AI聊天机器人被评估了它们的基因相互作用提取能力.
• 使用基因算法 (GA) 来优化每个LLM的提示,以提高准确性.
• 用F1分数,精度和回忆来评估定向和非定向基因关系提取的性能.

主要成果:

• 在所有测试的LLMs中,GA优化的提示显著提高了基因相互作用提取精度.
• 在非定向相互作用 (0.757) 和定向相互作用 (0.687) 中,GPT-4oV获得了最高的F1得分.
• 拉玛-3.2V和克劳德-3.5V也表现出强的表现,在大多数指标上都超过了双子座-1.5V.

结论:

• 将LLM与GA优化的提示集成为传统的基于OCR的方法从图像中提取基因相互作用提供了实质性的改进.
• 虽然有希望,但在关键的生物医学应用中,LLM准确性和可解释性的进一步进步是必要的.
• 该研究为开发用于生物医学数据分析的专门AI模型提供了一个基准和基础.