論文の概要: Knowledge database development by large language models for countermeasures against viruses and marine toxins
- arxiv url: http://arxiv.org/abs/2603.29149v1
- Date: Tue, 31 Mar 2026 01:55:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.038106
- Title: Knowledge database development by large language models for countermeasures against viruses and marine toxins
- Title（参考訳）: 大規模言語モデルによるウイルス・海洋毒素対策のための知識データベースの開発
- Authors: Hung N. Do, Jessica Z. Kubicek-Sutherland, S. Gnanakaran,
- Abstract要約: 包括的データベースの欠如は、ウイルスや海洋毒素に関するデータをキュレートし、医療対策の決定を遅く、困難にしている。
我々はChatGPTとGrokの2つの大規模言語モデル(LLM)を用いて、ラッサ、マーブルグ、エボラ、ニパ、ベネズエラのウマ脳炎および海洋毒素の2つの治療対策データベースを設計している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Access to the most up-to-date information on medical countermeasures is important for the research and development of effective treatments for viruses and marine toxins. However, there is a lack of comprehensive databases that curate data on viruses and marine toxins, making decisions on medical countermeasures slow and difficult. In this work, we employ two large language models (LLMs) of ChatGPT and Grok to design two comprehensive databases of therapeutic countermeasures for five viruses of Lassa, Marburg, Ebola, Nipah, and Venezuelan equine encephalitis, as well as marine toxins. With high-level human-provided inputs, the two LLMs identify public databases containing data on the five viruses and marine toxins, collect relevant information from these databases and the literature, iteratively cross-validate the collected information, and design interactive webpages for easy access to the curated, comprehensive databases. Notably, the ChatGPT LLM is employed to design agentic AI workflows (consisting of two AI agents for research and decision-making) to rank countermeasures for viruses and marine toxins in the databases. Together, our work explores the potential of LLMs as a scalable, updatable approach for building comprehensive knowledge databases and supporting evidence-based decision-making.
- Abstract（参考訳）: 医療対策に関する最新の情報へのアクセスは、ウイルスや海洋毒素の効果的な治療法の研究と開発に重要である。
しかし、ウイルスや海洋毒素のデータをキュレートする包括的なデータベースがないため、医療対策の決定は遅く難しくなっている。
本研究では,ChatGPTとGrokの2つの大規模言語モデルを用いて,Lassa,Marburg,Ebola,Nipah,ベネズエラウマ脳炎および海洋毒素の2つの治療対策データベースを設計する。
高いレベルの人為的な入力により、2つのLLMは、5つのウイルスと海洋毒素のデータを含む公開データベースを特定し、これらのデータベースと文献から関連情報を収集し、収集された情報を反復的に相互に検証し、キュレートされた包括的なデータベースへのアクセスを容易にするインタラクティブなWebページを設計する。
特に、ChatGPT LLMは、データベース内のウイルスと海洋毒素の対策をランク付けするために、エージェントAIワークフロー(研究と意思決定のための2つのAIエージェントで構成される)の設計に使用される。
本研究は,総合的な知識データベースの構築とエビデンスに基づく意思決定を支援するための,スケーラブルで高機能なアプローチとしてのLLMの可能性を探究するものである。
関連論文リスト
- Revealing Interconnections between Diseases: from Statistical Methods to Large Language Models [0.15558822250482188]
大規模臨床データの手動解析による疾患の相互関係の同定は、労働集約的であり、主観的であり、専門家の意見の不一致を招く。
本研究は,MIMIC-IV EHRのICD-10コードシーケンスとICD-10コードの全セットの2つのデータソースに基づいて,疾患関係を明らかにするための7つのアプローチを評価する。
i)実際の臨床データを用いた統計的共起解析とマスク言語モデリング(MLM)アプローチ,(ii)ドメイン固有のBERT変種,(iii)汎用BERTと文書検索。
論文 参考訳（メタデータ） (2025-10-06T15:09:39Z) - Adversarial Attacks on Large Language Models in Medicine [34.17895005922139]
医療アプリケーションへの大型言語モデルの統合により、医療診断、治療勧告、患者医療の進歩が期待できる。
LLMの敵対的攻撃に対する感受性は重大な脅威となり、繊細な医学的文脈で有害な結果をもたらす可能性がある。
本研究では,3つの医療課題における2種類の敵攻撃に対するLDMの脆弱性について検討した。
論文 参考訳（メタデータ） (2024-06-18T04:24:30Z) - Automating Pharmacovigilance Evidence Generation: Using Large Language Models to Produce Context-Aware SQL [0.0]
検索拡張世代(RAG)フレームワークでOpenAIのGPT-4モデルを利用する。
ビジネスコンテキストドキュメントはビジネスコンテキストドキュメントでリッチ化され、NLQを構造化クエリ言語クエリに変換する。
複雑性の高いクエリが除外された場合、パフォーマンスは最大85%向上した。
論文 参考訳（メタデータ） (2024-06-15T17:07:31Z) - Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳（メタデータ） (2024-02-05T08:25:22Z) - Don't Ignore Dual Logic Ability of LLMs while Privatizing: A
Data-Intensive Analysis in Medical Domain [19.46334739319516]
本研究では, LLMの二重論理能力が, 医療領域の民営化過程における影響について検討した。
以上の結果から,LLMに汎用ドメイン二重論理データを組み込むことによって,LLMの二重論理能力が向上するだけでなく,精度も向上することが示唆された。
論文 参考訳（メタデータ） (2023-09-08T08:20:46Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳（メタデータ） (2022-02-08T09:42:08Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z)
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。