論文の概要: Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models

• arxiv url: http://arxiv.org/abs/2407.12888v1
• Date: Wed, 17 Jul 2024 07:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 19:52:52.665714
• Title: Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた検索支援による説明可能なバイオメディカル仮説生成
• Authors: Alexander R. Pelletier, Joseph Ramirez, Irsyad Adam, Simha Sankar, Yu Yan, Ding Wang, Dylan Steinecke, Wei Wang, Peipei Ping,
• Abstract要約: 大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
• 参考スコア（独自算出の注目度）: 46.05020842978823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vast amount of biomedical information available today presents a significant challenge for investigators seeking to digest, process, and understand these findings effectively. Large Language Models (LLMs) have emerged as powerful tools to navigate this complex and challenging data landscape. However, LLMs may lead to hallucinatory responses, making Retrieval Augmented Generation (RAG) crucial for achieving accurate information. In this protocol, we present RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction), a comprehensive workflow designed to support investigators with knowledge integration and hypothesis generation, identifying validated paths forward. Relevant biomedical information from publications and knowledge bases are reviewed, integrated, and extracted via text-mining association analysis and explainable graph prediction models on disease nodes, forecasting potential links among drugs and diseases. These analyses, along with biomedical texts, are integrated into a framework that facilitates user-directed mechanism elucidation as well as hypothesis exploration through RAG-enabled LLMs. A clinical use-case demonstrates RUGGED's ability to evaluate and recommend therapeutics for Arrhythmogenic Cardiomyopathy (ACM) and Dilated Cardiomyopathy (DCM), analyzing prescribed drugs for molecular interactions and unexplored uses. The platform minimizes LLM hallucinations, offers actionable insights, and improves the investigation of novel therapeutics.
• Abstract（参考訳）: 今日入手可能な膨大なバイオメディカル情報は、これらの発見を効果的に消化し、処理し、理解しようとする研究者にとって重要な課題であることを示している。 大規模言語モデル(LLM)は、この複雑で困難なデータランドスケープをナビゲートする強力なツールとして登場した。 しかし、LLMは幻覚反応を引き起こす可能性があり、正確な情報を得るためには、RAG(Retrieval Augmented Generation)が不可欠である。 本プロトコルでは,知識統合と仮説生成を行う研究者を支援するための総合的なワークフローであるRUGGED(Retrieval Under Graph-Guided Explainable Disease Distinction)を提案する。 出版物や知識ベースからの関連バイオメディカル情報は、テキストマイニングアソシエーション分析および疾患ノード上の説明可能なグラフ予測モデルを用いてレビュー、統合、抽出され、薬物や疾患間の潜在的な関連を予測する。 これらの分析は、生医学的テキストとともに、ユーザ指向のメカニズム解明と、RAG対応LCMによる仮説探索を容易にするフレームワークに統合される。 臨床応用例では、RUGGEDが不整脈性心筋症(ACM)および拡張型心筋症(DCM)の治療評価と推奨を行い、分子間相互作用および未探索使用のための所定の薬物を分析できることが示されている。 このプラットフォームはLLM幻覚を最小化し、実行可能な洞察を提供し、新しい治療薬の調査を改善する。

関連論文リスト

• Knowledge Graph-Driven Retrieval-Augmented Generation: Integrating Deepseek-R1 with Weaviate for Advanced Chatbot Applications [45.935798913942904]
  構造化バイオメディカル知識と大規模言語モデル(LLM)を組み合わせた革新的なフレームワークを提案する。 本システムでは,年齢関連黄斑変性(AMD)に関する医学的要約から因果関係を同定・精査し,詳細な知識グラフを作成する。 ベクトルベース検索と局所展開言語モデルを用いて,臨床証拠を直接参照して,文脈的に関連性があり,検証可能な応答を生成する。
  論文  参考訳（メタデータ） (2025-02-16T12:52:28Z)
• A Review on Scientific Knowledge Extraction using Large Language Models in Biomedical Sciences [1.8308043661908204]
  本稿では,生物医学領域における大規模言語モデル(LLM)の最先端応用について概説する。 LLMは、幻覚、文脈理解、一般化する能力など、大きな可能性を秘めているが、大きな課題が残っている。 我々は、医療文献へのアクセスを改善し、医療における有意義な発見を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-12-04T18:26:13Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)
• Graph-Based Retriever Captures the Long Tail of Biomedical Knowledge [2.2814097119704058]
  大規模言語モデル(LLM)は、膨大な知識を要約して提示することで、情報の検索方法を変えつつある。 LLMはトレーニングセットから最も頻繁に見られる情報を強調し、まれな情報を無視する傾向があります。 本稿では,これらのクラスタをダウンサンプリングし,情報過負荷問題を緩和するために知識グラフを活用する新しい情報検索手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T18:31:11Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。