Dalam beberapa tahun terakhir, penerapan model bahasa besar (LLM) di berbagai bidang telah secara bertahap berkembang, dari pembuatan konten hingga bantuan pemrograman hingga optimasi mesin pencari, dan kemampuannya yang kuat telah diakui secara luas. Namun, di bidang penelitian biomedis, penerapan model -model ini masih menghadapi banyak tantangan, terutama dalam hal transparansi, pengulangan dan penyesuaian. Masalah -masalah ini membatasi potensi LLM dalam penelitian biomedis, dan alat yang dapat menyederhanakan kompleksitas teknis dan meningkatkan efisiensi penelitian sangat dibutuhkan.
Untuk mengatasi masalah ini, University of Heidelberg dan European Institute of Bioinformatics (EMBL-EBI) bersama-sama mengembangkan kerangka kerja Python open source yang disebut BioChatter. Kerangka kerja ini dirancang untuk membantu para peneliti biomedis menggunakan LLM lebih mudah, sehingga berfokus pada penelitian inti mereka tanpa harus khawatir tentang kompleksitas pemrograman atau pembelajaran mesin. Peluncuran Biochatter menyediakan alat yang sama sekali baru untuk bidang penelitian biomedis yang secara signifikan dapat meningkatkan efisiensi penelitian.
Filosofi desain Biochatter adalah untuk menyederhanakan kompleksitas teknis, memungkinkan para peneliti untuk fokus pada penelitian mereka tanpa harus khawatir tentang keahlian dalam pemrograman atau pembelajaran mesin. Melalui kerangka kerja ini, para peneliti dapat mengekstraksi data yang relevan dari database dan literatur biomedis dan memungkinkan akses informasi waktu nyata dengan alat bioinformatika eksternal. Semua ini berkat integrasi biochatter yang mulus dengan grafik pengetahuan biocypher, yang dapat menghubungkan data penting seperti mutasi gen dan asosiasi penyakit obat, sangat mendukung analisis dataset kompleks.
Fungsi inti Biochatter meliputi interaksi T&J dasar dengan berbagai model bahasa besar, rekayasa cepat yang dapat direproduksi, kueri grafik pengetahuan, pembuatan peningkatan pencarian, panggilan rantai model, dll. Lebih manusiawi, Biochatter menyediakan antarmuka API intuitif, yang para peneliti dapat dengan mudah berintegrasi ke dalam aplikasi web, antarmuka garis perintah, atau buku catatan jupyter. Fitur -fitur ini menjadikan Biochatter alat yang fleksibel dan kuat yang memenuhi kebutuhan penelitian yang berbeda.
Selama evaluasi eksperimental, tim peneliti membuat tolok ukur khusus yang dirancang untuk mengevaluasi kinerja Biochatter lebih akurat. Hasilnya menunjukkan bahwa model yang menggunakan biochatter secara signifikan lebih baik daripada model tanpa mesin prompt dalam menghasilkan kueri yang benar, dan penemuan ini memberikan dukungan kuat untuk aplikasi praktis biochatter. Hasil eksperimen ini lebih lanjut menunjukkan potensi Biochatter dalam penelitian biomedis.
Ke depan, tim Biochatter akan terus bekerja dengan basis data ilmu kehidupan seperti target terbuka, yang bertujuan untuk membantu pengguna secara lebih efisien mengidentifikasi dan memprioritaskan target obat dengan mengintegrasikan genetika manusia dan data genomik. Selain itu, mereka mengembangkan sistem pelengkap yang disebut Biogather, yang bertujuan untuk mengekstraksi informasi dari tipe data klinis lainnya seperti genomik, catatan medis dan gambar untuk memecahkan masalah kompleks dalam pengobatan yang dipersonalisasi dan pengembangan obat. Arah pengembangan di masa depan ini akan lebih meningkatkan fungsi dan ruang lingkup aplikasi biochatter.
Melalui Biochatter, para ilmuwan di bidang penelitian biomedis akan dapat menggunakan LLM lebih efisien, sehingga mempromosikan kemajuan dan inovasi dalam penelitian ilmiah. Alat ini tidak hanya menyederhanakan kompleksitas teknis, tetapi juga memberi para peneliti dukungan fungsional yang kuat yang menjanjikan untuk memainkan peran penting dalam penelitian biomedis di masa depan.