大型语言模型用于在跨学科背景下对生物信息学分析的可访问报告
Lijia Yu1,2,3, Daniel Kim2,3,4, Yue Cao1,2,3,5
1School of Mathematics and Statistics, The University of Sydney, NSW 2006, Australia.
bioRxiv : the preprint server for biology
|November 26, 2025
概括
大型语言模型 (LLM) 可以帮助科学家更好地沟通,但它们往往误解数据可视化,并没有提供新的见解. 人类专业知识对于准确的生物信息学分析至关重要.
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
- 科学沟通科学沟通
背景情况:
- 健康/生命科学家和定量科学家之间的跨学科合作对于数据分析至关重要.
- 错误的沟通往往阻碍了复杂的科学结果的解释.
- 大型语言模型 (LLM) 显示了在科学研究中弥合沟通差距的潜力.
研究的目的:
- 在现实世界生物信息学分析中对最先进的LLM的解释能力进行基准测试.
- 用自动化和人类评估框架评估LLM绩效.
- 确定LLM可以在多大程度上促进科学领域的跨学科理解.
主要方法:
- 基准测试四个领先的LLM:GPT-4o,o1,克劳德3.7索内特和双子座2.0闪光.
- 使用基于Bloom的分类学的自动评估和多选择题.
- 采用人类评估,科学家在事实一致性,安全性,全面性和连贯性方面得分LLM摘要.
主要成果:
- 专业的LLM产生了普遍可读和安全的摘要,对技术分析的初始翻译很有用.
- 实际上,LLM经常误解数据可视化,并产生过于多言多语的输出.
- 在提供分析数据之外,LLM很少提供新的科学见解.
结论:
- 法学士是促进科学领域跨学科沟通的宝贵工具.
- 应使用LLM来帮助,而不是取代领域专业知识和人类监督.
- 人类专业知识仍然是确保准确性,解释深度和产生新型科学发现的关键.


