ChatGPT Interprets Scientific Images

Figuras científicas interpretadas por chatgpt

Introdução

• Este trabalho avalia os recursos do ChatGPT na decifração dos números bioinformáticos.
• As áreas avaliadas incluem análise de dados de sequenciamento, reposicionamento de medicamentos e evolução do tumor.
• Considera o ChatGPT proficiente em explicar tipos de enredo e aplicar idéias biológicas.
• Identifica desafios na percepção de cores e na análise visual quantitativa.
• Enfatiza a necessidade de revisão rigorosa de precisão e confiabilidade.

? Leia o papel completo

Materiais

Quatro estudos de caso em pesquisa de câncer:

1. O estudo de caso "RNA"

(A) Análise de PCA mostrando dois grupos de amostras: "T" em vermelho e "M" em azul. (B) Um gráfico de vulcão para FCs e FDRs a partir de análise genética diferencialmente expressa com genes regulados para cima em genes vermelhos e regulados para baixo em preto. SOCS3 e JUNB indicados por Arrowheads. (C) O gráfico de pontos resumindo os dez principais hits da análise de enriquecimento da via de KEGG aplicada aos genes regulados para cima.

2. O estudo de caso “Znf71”

(A) Gráfico de sobrevivência de Kaplan -Meier para pacientes com NSCLC (GSE81089) classificados pela expressão de isoforma KRAB ZNF71. Vermelho: pacientes com uma expressão mais alta de ZNF71 KRAB (TPM> 1,5); Verde: outros; (B) Um gráfico de barras para a expressão da isoforma Krab Znf71 entre as linhas celulares NSCLC classificadas pela sensibilidade à docetaxel. (C) Rede de associação genética de genes Znf71 e IIIR em tumores Luad e Nats. (D) Gráfico de dispersão para o nível de expressão do mRNA de CD27 e resposta a medicamentos ao PQ-401 (EC50) entre as linhas celulares NSCLS.

3. O estudo de caso "clonal"

(A) Gráfico de dispersão para Tumor recorrente contrastante de VAF (eixo y) ao tumor primário (eixo x). Cada ponto é um gene e genes com impacto significativo são indicados. Tumores primários e recorrentes provenientes do mesmo paciente. (B) Gráfico de pontos conectado ilustrando as alterações da VAF média de cada cluster do tumor primário para o recorrente. (C) Gráfico de sino ilustrando a prevalência relativa de cada clone (sub) em função da progressão do câncer para o tumor primário e (d) tumor recorrente. (E) Gráficos de empacotamento de círculo ilustrando a composição celular do tumor primário e (f) tumor recorrente, examinado com um total de 100 células. (G) Uma árvore baseada em ramificação que ilustra os padrões relacionais e de semeadura dos clones (sub) entre as amostras primárias e recorrentes. Indicados são genes que facilitam o crescimento do clone fundador.

4. O estudo de caso “yy1”

Tracks do navegador epigenoma de Washu ilustrando distribuições de leituras de RNA-seq específicas da fita, leituras de chip-seq para H3K4me3, H3K27AC e H3K27me3, bem como as ladas de interações cromatinas-cromatinas. Retângulo azul (A1 a A3): regiões promotoras ativas; Retângulos rosa (i1 e i2): regiões promotoras inativas; Retângulos verdes (E1 a E4): Regiões de intensificadores ativos; Círculos azuis: regiões promotoras (A1, i1 e A3) interagindo com YY1; Círculos verdes: regiões de intensificadores (E1 a E3) interagindo com YY1. Linhas tracejadas compartilhadas com um círculo no mapa de calor: duas regiões genômicas que interagem. Grau de pupforma no mapa de calor indicando força de interação.

Métodos

Resultados

Desempenho geral:

• Calculamos as porcentagens de declarações verdadeiras para cada caso com base nos resultados da tabela sumativa.
• O caso "RNA" alcançou os níveis de precisão mais altos (95,1 ± 1,3%).
• Por outro lado, as precisões gerais dos outros três estudos de caso foram menos impressionantes, variando de 64,4 ± 0,1% no caso "Znf71" a 77,3 ± 5,9% no caso "YY1".
• Uma observação digna de nota no caso "Znf71" foi o erro de ortografia consistente de "CD27" como "CD271" e "ikbkb" como "ikkbk", que representou 40-55% das declarações falsas.

Desempenho por categoria:

• A precisão da declaração para cada estudo de caso, classificada por categoria, também é visualizada.
• O GPT-4V possui alta proficiência no reconhecimento do tipo de plotagem e recall de conhecimento de domínio, com mais de 85% de precisão em todos os casos.
• As precisões de percepção de cores estão abaixo de 60% para todos os casos, significativamente menores que o reconhecimento da plotagem e o conhecimento do domínio (valor p <0,05; teste t).
• A inferência posicional mostra 89,3% de precisão para o RNA, mas foi notavelmente menor nos outros três casos.
• As contagens são confiáveis ​​em casos simples, mas podem ser menos precisos em cenários complexos.

Desempenho por categoria entre réplicas:

• Reconhecimento da trama: todas as repetições mostraram desempenho satisfatório para todos os casos.
• Conhecimento de domínio: todas as repetições mostraram desempenho satisfatório para todos os casos.
• Percepção de cores: todas as repetições mostraram desempenho insatisfatório para todos os casos incluídos.
• Inferência posicional: o desempenho insatisfatório foi predominante entre as réplicas, exceto as do caso "RNA".
• Contagem: Todas as repetições mostraram desempenho insatisfatório para todos os casos incluídos.

Conclusão

• O ChatGPT exibiu uma promessa significativa na decifração de figuras científicas bioinformáticas.
• O ChatGPT é proficiente para explicar diferentes tipos de plotagem e aplicar conhecimento biológico.
• Ele luta com a interpretação de cores com precisão e realizando análises quantitativas.
• É necessário um mecanismo humano no loop ao trabalhar com ferramentas de IA.

Citação

@Article {Wang2024Scientific, title = {figuras científicas interpretadas por chatgpt: forças no reconhecimento da plotagem e limites na percepção de cores}, autor = {wang, jinge e ye, qing e liU, li e guo, nancy lan e hu, gangqing}, journal = {npj nmemonnem onem,}} {npjumnuming on), na {{npj), na {{npj), na {n). páginas = {84}, ano = {2024}, editor = {Nature Publishing Group UK London}}