Generative Retrieval-Augmented Ontologic Graph and Multiagent Strategies for Interpretive Large Language Model-Based Materials Design.
生成檢索增強本體圖和多智能體策略用於解釋基於大型語言模型的材料設計。 ACS Eng Au 2024-04-22

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

KRAGEN: a knowledge Graph-Enhanced RAG framework for biomedical problem solving using large language models.
KRAGEN：利用大型語言模型進行生物醫學問題解決的知識圖增強RAG框架。 Bioinformatics 2024-06-03

KRAGEN是一個解決自然語言難題的工具，利用知識圖譜和先進提示技術，解決大型語言模型的問題。它將知識轉換為數據庫，使用RAG檢索相關事實，並利用GoT將問題分解，提供更精確的解答。KRAGEN的圖形化界面幫助用戶評估解答品質，並可在GitHub上開源。 PubMed DOI

Biomedical knowledge graph-optimized prompt generation for large language models.
生物醫學知識圖譜優化的大型語言模型提示生成。 Bioinformatics 2024-09-17

基於知識圖譜的檢索增強生成（KG-RAG）框架，成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜，KG-RAG優化了標記使用，提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%，同時保持準確性，顯著改善了對生物醫學提示的回應，並在基準數據集上提升表現，Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型，讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開，並提供生物醫學基準數據集供研究使用。 PubMed DOI

LmRaC: a functionally extensible tool for LLM interrogation of user experimental results.
LmRaC：一個功能可擴展的工具，用於對用戶實驗結果進行 LLM 介入。 Bioinformatics 2024-11-15

大型語言模型（LLMs）在各領域表現優異，但對於不準確性和資料來源虛構的擔憂，影響其在科學研究中的應用。為了解決這些問題，檢索增強生成（RAG）方法被提出，讓LLMs能夠訪問外部數據，增強推理能力。 LmRaC是一個新工具，利用用戶的實驗結果回答複雜科學問題，並從PubMed創建可靠的知識庫，確保答案準確且附有引用，降低錯誤資訊風險。它還能根據用戶提供的文件和數據，針對特定問題提供定制回應。更多資訊可至GitHub倉庫查詢：https://github.com/dbcraig/LmRaC，或在Docker Hub找到LmRaC應用程式。 PubMed DOI

Simulate Scientific Reasoning with Multiple Large Language Models: An Application to Alzheimer's Disease Combinatorial Therapy.
模擬多個大型語言模型的科學推理：應用於阿茲海默症的聯合療法。 medRxiv 2024-12-23

這項研究提出了一個由人工智慧驅動的框架，利用大型語言模型來模擬科學推理和同行評審，預測有效的組合療法。該框架的準確度達到0.74，超過傳統方法的0.52。研究強調高品質範例、外部知識整合及自我一致性的重要性。外部驗證使用私有數據，準確度更達0.82。這個框架提供了一種自動化的知識驅動方法，適用於數據不足的生物推理任務。相關源代碼和數據可在 https://github.com/QidiXu96/Coated-LLM 獲得。 PubMed DOI

Knowledge graph-based thought: a knowledge graph-enhanced LLM framework for pan-cancer question answering.
基於知識圖譜的思維：一個知識圖譜增強的 LLM 框架，用於泛癌症問答。 Gigascience 2025-01-08

近年來，大型語言模型（LLMs）在生物醫學領域展現潛力，但常面臨錯誤輸出和幻覺等問題。為了解決這些挑戰，我們開發了基於知識圖譜的思維（KGT）框架，將LLMs與知識圖譜結合，透過整合可驗證資訊來增強回應，顯著減少推理錯誤。KGT框架適應性強，能在多種開源LLMs中表現良好，並能發現藥物新用途及預測抗藥性。總體而言，KGT框架提升了LLMs在生物醫學的準確性與實用性。 PubMed DOI

Steering veridical large language model analyses by correcting and enriching generated database queries: first steps toward ChatGPT bioinformatics.
透過修正和豐富生成的資料庫查詢來引導真實的大型語言模型分析：邁向 ChatGPT 生物資訊學的第一步。 Brief Bioinform 2025-02-06

這段文字探討大型語言模型（LLMs）如ChatGPT在生物資訊學，特別是基因組學中的限制，提到資料檢索不佳、幻覺及序列操作錯誤等問題。為了解決這些挑戰，作者提出NagGPT作為LLMs與資料庫的橋樑，幫助精煉查詢並提高資訊準確性。此外，還介紹了Genomics Fetcher-Analyzer，這個自訂GPT能讓ChatGPT生成並執行Python程式碼，進行生物資訊學任務，並使用各種基因組資料庫的資料。整體目的是增強ChatGPT在生物資訊學的功能，提升事實準確性和遵循指示的能力。 PubMed DOI

The effectiveness of large language models with RAG for auto-annotating trait and phenotype descriptions.
大型語言模型結合 RAG 自動標註特徵和表現描述的有效性。 Biol Methods Protoc 2025-03-05

這段文字探討了在對生物文本，特別是表型描述進行註釋時的挑戰，尤其是使用本體詞彙的情況。傳統文本挖掘工具在理解上下文方面表現不佳，而像OpenAI的GPT這類大型語言模型則更適合需要語義理解的任務。作者提出利用GPT對*Arabidopsis thaliana*和森林樹木的表型觀察進行本體詞彙註釋，目標是達到與人工註釋相當的效果。這些流程包括將表型解析為簡潔概念，並使用嵌入向量相似度和檢索增強生成（RAG）方法來識別合適的本體詞彙，最終實現高準確度的自動註釋。 PubMed DOI

Transforming hematological research documentation with large language models: an approach to scientific writing and data analysis.
利用大型語言模型轉變血液學研究文獻：科學寫作與數據分析的方法。 Blood Res 2025-03-06

大型語言模型（LLMs），像是ChatGPT，已經徹底改變了學術界的科學寫作與研究，提供了全方位的支援。生成式人工智慧（GAI）工具在假設形成、方法設計、數據分析到手稿準備等各階段都有所改善。這篇評論專注於LLMs在血液學研究中的應用，特別提到提示工程和檢索增強生成（RAG）框架等技術。這些技術能幫助研究人員創造更準確的內容，並降低錯誤資訊的風險。儘管GAI工具提升了研究質量，但也強調了科學誠信、倫理考量及隱私保護的重要性。 PubMed DOI

Retrieval-Augmented Generation: Advancing personalized care and research in oncology.
檢索增強生成：推進腫瘤學中的個人化護理與研究。 Eur J Cancer 2025-03-11

檢索增強生成（RAG）透過整合最新數據，提升大型語言模型（LLMs）的準確性與上下文意識。這方法將文本轉為數值嵌入，幫助檢索與使用者查詢相關的數據片段，讓模型的回答更具時效性。在腫瘤學中，RAG能改善治療建議、增強臨床試驗匹配，並加速藥物開發。不過，RAG的效果取決於數據質量，偏見或不完整的信息可能導致錯誤結果，因此需謹慎實施並加強人類監督。 PubMed DOI

原始文章

站上相關主題文章列表