論文の概要: Fine-Tuning and Prompt Engineering of LLMs, for the Creation of Multi-Agent AI for Addressing Sustainable Protein Production Challenges

• arxiv url: http://arxiv.org/abs/2506.20598v1
• Date: Wed, 25 Jun 2025 16:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.856139
• Title: Fine-Tuning and Prompt Engineering of LLMs, for the Creation of Multi-Agent AI for Addressing Sustainable Protein Production Challenges
• Title（参考訳）: LLMの微細チューニングとプロンプト工学 : 持続可能なタンパク質生産への挑戦のための多エージェントAIの作成
• Authors: Alexander D. Kalian, Jaewook Lee, Stefan P. Johannesson, Lennart Otte, Christer Hogstrand, Miao Guo,
• Abstract要約: 持続可能なタンパク質生産研究を支援するための,概念実証型マルチエージェント人工知能フレームワークを提案する。 文献検索剤は、特定微生物株の微生物タンパク質産生に関する関連科学的文献を検索する。 情報抽出剤は、検索した内容を処理し、関連する生物学的および化学的情報を抽出する。
• 参考スコア（独自算出の注目度）: 38.405196084093454
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The global demand for sustainable protein sources has accelerated the need for intelligent tools that can rapidly process and synthesise domain-specific scientific knowledge. In this study, we present a proof-of-concept multi-agent Artificial Intelligence (AI) framework designed to support sustainable protein production research, with an initial focus on microbial protein sources. Our Retrieval-Augmented Generation (RAG)-oriented system consists of two GPT-based LLM agents: (1) a literature search agent that retrieves relevant scientific literature on microbial protein production for a specified microbial strain, and (2) an information extraction agent that processes the retrieved content to extract relevant biological and chemical information. Two parallel methodologies, fine-tuning and prompt engineering, were explored for agent optimisation. Both methods demonstrated effectiveness at improving the performance of the information extraction agent in terms of transformer-based cosine similarity scores between obtained and ideal outputs. Mean cosine similarity scores were increased by up to 25%, while universally reaching mean scores of $\geq 0.89$ against ideal output text. Fine-tuning overall improved the mean scores to a greater extent (consistently of $\geq 0.94$) compared to prompt engineering, although lower statistical uncertainties were observed with the latter approach. A user interface was developed and published for enabling the use of the multi-agent AI system, alongside preliminary exploration of additional chemical safety-based search capabilities
• Abstract（参考訳）: 持続可能なタンパク質源に対する世界的な需要は、ドメイン固有の科学的知識を迅速に処理し、合成できるインテリジェントツールの必要性を加速させてきた。 本研究では,持続可能なタンパク質生産研究を支援するための,概念実証型マルチエージェント人工知能(AI)フレームワークを提案する。 本システムでは,(1)特定微生物株の微生物タンパク質生産に関する関連科学的文献を検索する文献検索エージェント,(2)検索した内容を処理する情報抽出エージェントの2つのGPTベースのLCMエージェントから構成される。 エージェント最適化のための2つの並列手法、ファインチューニングとプロンプトエンジニアリングを探索した。 両手法は, 得られた出力と理想出力のコサイン類似度スコアを用いて, 情報抽出剤の性能向上に有効であることを示した。 平均コサイン類似度スコアは25%まで増加し、理想出力テキストに対して平均スコアは$\geq 0.89$に達した。 微調整により、平均スコアはプロンプトエンジニアリングに比べて大幅に改善されたが、後者の手法では低い統計的不確実性が観察された。 化学物質安全性に基づく検索機能の追加を予備検討すると共に,マルチエージェントAIシステムの利用を可能にするユーザインターフェースを開発し,公開している。

関連論文リスト

• Zero-Shot Document-Level Biomedical Relation Extraction via Scenario-based Prompt Design in Two-Stage with LLM [7.808231572590279]
  ハードウェアと労働コストの低い汎用大言語モデル (LLM) を用いて, 注釈のない完全文書から同じ結果を得るための新しい手法を提案する。 我々のアプローチは、名前付きエンティティ認識(NER)と関係抽出(RE)の2つの主要な段階を組み合わせる。 本稿では,プロンプトの有効性を高めるために,5部テンプレート構造とシナリオに基づくプロンプト設計の原理を提案する。
  論文  参考訳（メタデータ） (2025-05-02T07:33:20Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• From Intention To Implementation: Automating Biomedical Research via LLMs [30.32209981487504]
  本稿では,ドライラボ実験を含むバイオメディカル研究プロセス全体を合理化するための,初のエンドツーエンド自動システムであるBioResearcherを紹介する。 BioResearcherはモジュール型のマルチエージェントアーキテクチャを採用し、検索、文学処理、実験設計、プログラミングのための特殊エージェントを統合している。 生成されたプロトコルは、平均して5つの品質指標で典型的なエージェントシステムよりも22.0%優れています。
  論文  参考訳（メタデータ） (2024-12-12T16:35:05Z)
• 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)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• 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)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)

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。