Fugu-MT 論文翻訳(概要): Analysis of Prompt Engineering for Drug Toxicity Prediction

論文の概要: Analysis of Prompt Engineering for Drug Toxicity Prediction

arxiv url: http://arxiv.org/abs/2609.03635v1
Date: Thu, 03 Sep 2026 10:28:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-04 18:28:39.019251
Title: Analysis of Prompt Engineering for Drug Toxicity Prediction
Title（参考訳）: 薬物毒性予測のためのプロンプトエンジニアリングの解析
Abstract要約: 本稿では,薬物毒性予測のための迅速工学的手法を提案する。本研究の目的は,薬物毒性予測における迅速な表現の重要性を検討することである。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Clinical trials in the UK can cost up to £1.3 million, with approximately 90% drug failure rate. Toxicity is a major contributing factor in drug failure. Testing is time and cost intensive. In recent years, the use of artificial intelligence has been increasingly explored to aid in the prediction of drug toxicity, with extensive use of large language models (LLMs). However, LLMs can show considerable variation when minor changes are made to prompts, which raises concerns about their sensitivity to prompt engineering. Prompt engineering is used to optimise a prompt given to an LLM to generate the desired output. This paper proposes a method to analyse prompt engineering for drug toxicity prediction. The aim of the paper is to investigate the importance of prompt phrasing for drug toxicity prediction. LLMs were prompted to identify chemical properties of significance when predicting drug toxicity. Prompts were constructed to investigate; job role, prompt structuring, and rule interpretation. LLMs were then used to generate datasets, using the identified features from initial prompting, which were then passed to machine learning algorithms. The experiments show that the natural variance which occurs in LLMs outweighs any fine-tuning of prompts. There were, however, substantial improvements in model performance when using chemoinformatic code to extract features instead of using LLM-generated values. The proposed analysis methodology is applicable to a wide range of prompt types across different areas of bioinformatics.
Abstract（参考訳）: 英国の臨床試験は最大で130万ポンドの費用がかかり、約90%の薬物不全率がある。毒性は薬物不全の主要な要因である。テストは時間とコストが重くなります。近年、薬物毒性の予測を支援するために人工知能の利用が研究され、大規模言語モデル(LLM)が広く使用されている。しかし、LSMはプロンプトに小さな変更を加えるとかなりの変化が見られるため、エンジニアリングに敏感なことが懸念される。プロンプトエンジニアリングは、所望の出力を生成するためにLLMに与えられたプロンプトを最適化するために使用される。本稿では,薬物毒性予測のための迅速工学的手法を提案する。本研究の目的は,薬物毒性予測における迅速な表現の重要性を検討することである。 LLMは、薬物毒性を予測する際に重要な化学的性質を同定するよう促された。プロンプトは、職務、素早い構造化、規則解釈などの調査のために建設された。 LLMはデータセットの生成に使用され、初期プロンプトから識別された特徴を使用して機械学習アルゴリズムに渡される。実験の結果, LLMにおける自然分散は, プロンプトの微調整よりも優れていることがわかった。しかし、LCM生成値の代わりにケモインフォマティクスコードを用いて特徴を抽出する際のモデル性能は大幅に改善された。提案手法はバイオインフォマティクスの様々な領域にわたる幅広いプロンプトタイプに適用可能である。

関連論文リスト

Predicting LLM Performance from Prompt Linguistic Features: An Empirical Study in Requirements Engineering [5.806534256425491]
言語的特徴は、すべてのターゲットにおける迅速なパフォーマンスを著しく予測する。クロスLLM予測器は、複合依存性分布、接続密度、単語/文長を含む。
論文参考訳（メタデータ） (2026-08-27T19:02:09Z)
DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery [11.058244885471169]
大型言語モデル (LLMs) は、薬物発見研究の最前線にある。 DrugPlayGroundは、LCMのパフォーマンスを評価し、ベンチマークするフレームワークである。
論文参考訳（メタデータ） (2026-02-11T19:16:33Z)
CoTox: Chain-of-Thought-Based Molecular Toxicity Reasoning and Prediction [20.143495021407166]
大規模言語モデル(LLM)は、ステップバイステップの推論とテキストデータの統合を通じて、有望な代替手段を提供する。我々は,多毒性予測のためのLLMとチェーン・オブ・シント(CoT)推論を統合する新しいフレームワークであるCoToxを提案する。 GPT-4oを用いて、CoToxが従来の機械学習モデルとディープラーニングモデルの両方より優れていることを示す。
論文参考訳（メタデータ） (2025-08-05T07:04:44Z)
ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文参考訳（メタデータ） (2025-06-30T05:11:19Z)
Do "New Snow Tablets" Contain Snow? Large Language Models Over-Rely on Names to Identify Ingredients of Chinese Drugs [79.00288739947406]
伝統的な中国医学(TCM)は医療に採用され、臨床応用をサポートするために、LLM(Large Language Models)が出現している。これらのモデルの基本的な要件は、TCM薬物成分の正確な同定である。我々の系統的分析では、一貫した障害パターンが明らかである: モデルでは、しばしば文字通り、薬物名を理解し、関連性に関係なく共通のハーブを過剰に使用し、不慣れな定式化に直面した時に不規則な振る舞いを示す。
論文参考訳（メタデータ） (2025-04-03T17:43:45Z)
Detoxifying Large Language Models via Knowledge Editing [57.0669577257301]
本稿では,Large Language Models (LLM) のデトックス化のための知識編集手法について検討する。我々は、強力な攻撃プロンプトを持つ9つの安全でないカテゴリをカバーするベンチマーク、SafeEditを構築した。いくつかの知識編集手法を用いて実験を行い、知識編集がLLMを解毒する可能性を示し、汎用性能に限られた影響を与えていることを示す。
論文参考訳（メタデータ） (2024-03-21T15:18:30Z)
Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
論文参考訳（メタデータ） (2024-02-14T21:33:13Z)
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)
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)
RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language Models [93.151822563361]
事前訓練されたニューラルネットワークモデル(LM)は、安全なデプロイメントを妨げる人種差別的、性差別的、その他の有害な言語を生成する傾向にある。本研究では, 予め訓練したLMが有害な言語を生成できる範囲と, 有害な変性を防止するための制御可能なテキスト生成アルゴリズムの有効性について検討する。
論文参考訳（メタデータ） (2020-09-24T03:17:19Z)

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。