論文の概要: Knowledge Synthesis of Photosynthesis Research Using a Large Language Model

• arxiv url: http://arxiv.org/abs/2502.01059v1
• Date: Mon, 03 Feb 2025 05:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:04:36.687334
• Title: Knowledge Synthesis of Photosynthesis Research Using a Large Language Model
• Title（参考訳）: 大規模言語モデルを用いた光合成研究の知識合成
• Authors: Seungri Yoon, Woosang Jeon, Sanghyeok Choi, Taehyeong Kim, Tae In Ahn,
• Abstract要約: 本研究は,OpenAIのGPT-4oに基づく光合成研究アシスタント(PRAG)を提案する。 PRAGは、科学的記述に関連する5つの指標に対して平均8.7%の改善を示し、ソース透明性は25.4%増加した。 その科学的深度と領域範囲は光合成研究論文に匹敵するものであった。
• 参考スコア（独自算出の注目度）: 2.234461196876548
• License:
• Abstract: The development of biological data analysis tools and large language models (LLMs) has opened up new possibilities for utilizing AI in plant science research, with the potential to contribute significantly to knowledge integration and research gap identification. Nonetheless, current LLMs struggle to handle complex biological data and theoretical models in photosynthesis research and often fail to provide accurate scientific contexts. Therefore, this study proposed a photosynthesis research assistant (PRAG) based on OpenAI's GPT-4o with retrieval-augmented generation (RAG) techniques and prompt optimization. Vector databases and an automated feedback loop were used in the prompt optimization process to enhance the accuracy and relevance of the responses to photosynthesis-related queries. PRAG showed an average improvement of 8.7% across five metrics related to scientific writing, with a 25.4% increase in source transparency. Additionally, its scientific depth and domain coverage were comparable to those of photosynthesis research papers. A knowledge graph was used to structure PRAG's responses with papers within and outside the database, which allowed PRAG to match key entities with 63% and 39.5% of the database and test papers, respectively. PRAG can be applied for photosynthesis research and broader plant science domains, paving the way for more in-depth data analysis and predictive capabilities.
• Abstract（参考訳）: 生物データ分析ツールと大規模言語モデル(LLM)の開発は、植物科学研究においてAIを活用する新たな可能性を開き、知識統合と研究ギャップの同定に大きく貢献する可能性がある。 しかしながら、現在のLLMは光合成研究において複雑な生物学的データや理論モデルを扱うのに苦労しており、しばしば正確な科学的文脈の提供に失敗する。 そこで本研究では,OpenAI の GPT-4o に基づく光合成研究アシスタント (PRAG) を提案する。 光合成関連クエリに対する応答の精度と関連性を高めるために,ベクトルデータベースと自動フィードバックループを用いた。 PRAGは、科学的記述に関連する5つの指標に対して平均8.7%の改善を示し、ソース透明性は25.4%増加した。 さらに、その科学的深度と領域の範囲は光合成研究論文に匹敵するものであった。 知識グラフはPRAGの応答をデータベース内外の書類で構造化するために用いられ、PRAGは主要なエンティティをデータベースの63%と39.5%で一致させることができた。 PRAGは光合成研究やより広い植物科学領域に応用でき、より深いデータ分析と予測能力の道を開くことができる。

関連論文リスト

• Automating Exploratory Proteomics Research via Language Models [22.302672656499315]
  PROTEUSは、生データから科学的発見を行うための完全に自動化されたシステムである。 人間の介入なしに研究目的、分析結果、新しい生物学的仮説を包括的に作成する。
  論文  参考訳（メタデータ） (2024-11-06T08:16:56Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• BioBERT-based Deep Learning and Merged ChemProt-DrugProt for Enhanced Biomedical Relation Extraction [2.524192238862961]
  我々のアプローチは、新しいマージ戦略を用いて、ChemProtとD薬局のデータセットを統合する。 本研究は, バイオメディカル研究と臨床実習における自動情報抽出の可能性を強調した。
  論文  参考訳（メタデータ） (2024-05-28T21:34:01Z)
• 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)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• AutoIE: An Automated Framework for Information Extraction from Scientific Literature [6.235887933544583]
  AutoIEは科学的なPDF文書から重要データの抽出を自動化するために設計されたフレームワークである。 我々のSBERTモデルは、CoNLL04およびADEデータセット上で87.19と89.65の高いマルコF1スコアを達成する。 この研究は、分子シーブ合成におけるデータ管理と解釈の強化の道を開くものである。
  論文  参考訳（メタデータ） (2024-01-30T01:45:03Z)
• A Reliable Knowledge Processing Framework for Combustion Science using Foundation Models [0.0]
  この研究は、多様な燃焼研究データを処理し、実験研究、シミュレーション、文献にまたがるアプローチを導入している。 開発されたアプローチは、データのプライバシと精度を最適化しながら、計算と経済の費用を最小化する。 このフレームワークは、最小限の人間の監視で、常に正確なドメイン固有の応答を提供する。
  論文  参考訳（メタデータ） (2023-12-31T17:15:25Z)
• Image and Data Mining in Reticular Chemistry Using GPT-4V [5.440238820637818]
  GPT-4Vは、ChatGPTまたはAPIを通じてアクセス可能な、拡張された視覚機能を備えた大きな言語モデルである。 本研究は,GPT-4Vが金属-有機化合物の複雑なデータをナビゲートし,得ることができることを示す。
  論文  参考訳（メタデータ） (2023-12-09T05:05:25Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Extracting Structured Seed-Mediated Gold Nanorod Growth Procedures from Literature with GPT-3 [52.59930033705221]
  1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。 1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。
  論文  参考訳（メタデータ） (2023-04-26T22:21:33Z)
• Paradigm selection for Data Fusion of SAR and Multispectral Sentinel data applied to Land-Cover Classification [63.072664304695465]
  本稿では、畳み込みニューラルネットワーク(CNN)に基づく4つのデータ融合パラダイムを分析し、実装する。 目標は、最良のデータ融合フレームワークを選択するための体系的な手順を提供することであり、その結果、最高の分類結果が得られる。 この手順は、土地被覆分類のために検証されているが、他のケースに転送することができる。
  論文  参考訳（メタデータ） (2021-06-18T11:36:54Z)

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。