ChatGPT Interprets Scientific Images

Figures scientifiques interprétées par Chatgpt

Introduction

• Ce travail évalue les capacités de Chatgpt pour déchiffrer les chiffres de bioinformatique.
• Les zones évaluées comprennent l'analyse des données de séquençage, le repositionnement des médicaments et l'évolution tumorale.
• Trouve Chatgpt compétent pour expliquer les types de parcelles et appliquer des informations biologiques.
• Identifie les défis de la perception des couleurs et de l'analyse visuelle quantitative.
• Souligne la nécessité d'une relecture stricte pour la précision et la fiabilité.

? Lire le papier complet

Matériels

Quatre études de cas en recherche sur le cancer:

1. L'étude de cas «ARN»

(A) Analyse PCA montrant deux groupes d'échantillons: «T» en rouge et «M» en bleu. (B) Un tracé volcano pour les FCS et les FDR à partir d'une analyse de gènes exprimée différentiellement avec des gènes régulés à la hausse dans les gènes rouges et régulés à la baisse en noir. SOCS3 et JUNB indiquées par des pointes de flèches. (C) Plot DOT résumant les dix premiers hits de l'analyse d'enrichissement de la voie KEGG appliquée aux gènes régulés à la hausse.

2. L'étude de cas «Znf71»

(A) Graphique de survie de Kaplan - Meier pour les patients atteints de CBNPC (GSE81089) triée par l'expression des isoformes Krab Znf71. Rouge: patients avec une expression KRAB ZNF71 plus élevée (TPM> 1,5); Vert: d'autres; (B) Un graphique à barres pour l'expression de l'isoforme de Krab Znf71 parmi les lignées cellulaires NSCLC triées par sensibilité au docétaxel. (C) Réseau d'association des gènes des gènes Znf71 et IIIR dans les tumeurs Luad et Nats. (D) Diagramme de diffusion pour le niveau d'expression de l'ARNm de CD27 et la réponse médicamenteuse à PQ-401 (EC50) parmi les lignées cellulaires NSCLS.

3. L'étude de cas «clonale»

(A) Diagramme de diffusion pour la tumeur récurrente contrastée VAF (axe y) à la tumeur primaire (axe x). Chaque point est un gène et les gènes ayant un impact significatif sont indiqués. Les tumeurs primaires et récurrentes proviennent du même patient. (B) Tracé de points connecté illustrant les changements de VAF moyen de chaque cluster de la tumeur primaire à la récurrente. (C) Glotte de cloche illustrant la prévalence relative de chaque (sous) clone en fonction de la progression du cancer pour la tumeur primaire et (d) la tumeur récurrente. (E) Coucle des tracés d'emballage illustrant la composition cellulaire de la tumeur primaire et (f) tumeur récurrente, s'échantillante avec un total de 100 cellules. (G) un arbre à base de branche illustrant les modèles relationnels et de semis des (sub) clones entre les échantillons primaires et récurrents. Sont des gènes facilitant la croissance du clone fondateur.

4. L'étude de cas «YY1»

Washu Epigenome Browser Tracks illustrant les distributions de lectures d'ARN-seq spécifiques aux brins, Chip-Seq Reads pour H3K4me3, H3K27AC et H3K27me3, ainsi que des lectures de plac-seq pour les interactions chromatine-chromatine. Rectangles bleus (A1 à A3): régions du promoteur actif; Rectangles roses (I1 et I2): régions du promoteur inactif; Rectangles verts (E1 à E4): régions actives actives; Cercles bleus: régions promotrices (A1, I1 et A3) interagissant avec YY1; Cercles verts: régions d'activateurs (E1 à E3) interagissant avec YY1. Des lignes en pointillés partagées avec un cercle sur la carte thermique: deux régions du génome en interaction. Degré de violence sur la carte thermique indiquant une résistance à l'interaction.

Méthodes

Résultats

Performances globales:

• Nous avons calculé les pourcentages d'instructions réelles pour chaque cas en fonction des résultats du tableau sommatif.
• Le cas «ARN» a atteint les niveaux de précision les plus élevés (95,1 ± 1,3%).
• Inversement, les précisions globales des trois autres études de cas étaient moins impressionnantes, allant de 64,4 ± 0,1% dans le cas «Znf71» à 77,3 ± 5,9% dans le cas «YY1».
• Une observation notable dans le cas «Znf71» a été la mal orthographiée cohérente de «CD27» en tant que «CD271» et «IKBKB» en tant que «IKKBK», qui représentait 40 à 55% des fausses déclarations.

Performance par catégorie:

• La précision de la déclaration pour chaque étude de cas, triée par catégorie, est également visualisée.
• GPT-4V a une grande compétence en matière de reconnaissance du type de parcelle et de rappel des connaissances du domaine, avec une précision de plus de 85% dans tous les cas.
• Les précisions de perception des couleurs sont inférieures à 60% pour tous les cas, significativement inférieures à la reconnaissance de l'intrigue et aux connaissances du domaine (valeur p <0,05; test t).
• L'inférence de position montre une précision de 89,3% pour l'ARN, mais était notamment plus faible dans les trois autres cas.
• Les dénombrements sont fiables dans des cas simples mais peuvent être moins précis dans les scénarios complexes.

Performance par catégorie à travers les répétitions:

• Reconnaissance de l'intrigue: Toutes les répétitions ont montré des performances satisfaisantes pour tous les cas.
• Connaissance du domaine: toutes les répliques ont montré des performances satisfaisantes pour tous les cas.
• Perception des couleurs: toutes les répétitions ont montré des performances insatisfaisantes pour tous les cas inclus.
• Inférence de position: les performances insatisfaisantes étaient répandues à travers les répliques à l'exception de celles du cas «ARN».
• Counts: Toutes les répétitions ont montré des performances insatisfaisantes pour tous les cas inclus.

Conclusion

• Chatgpt a présenté une promesse importante dans le déchiffrement des chiffres scientifiques bioinformatiques.
• Chatgpt est compétent pour expliquer différents types de parcelles et appliquer des connaissances biologiques.
• Il a du mal à interpréter avec précision les couleurs et à effectuer des analyses quantitatives.
• Le mécanisme humain en boucle est nécessaire lorsque vous travaillez avec des outils d'IA.

Citation

@article {wang2024Scientific, title = {figures scientifiques interprétées par Chatgpt: forces en reconnaissance de l'intrigue et limites dans la perception des couleurs}, auteur = {Wang, Jinge et Ye, Qing et Liu, Li et Guo, Nancy Lan et Hu, Gangqing}, Journal = {NPJ Precision Oncology}, Volume = {8}, Numéro = {1}, la précision}, Volume = {8}, Numéro = {1}, la précision}, Volume = {8}, Numéro = {1}, Ongo pages = {84}, année = {2024}, éditeur = {Nature Publishing Group UK London}}