ChatGPT Interprets Scientific Images

ตัวเลขทางวิทยาศาสตร์ตีความโดย CHATGPT

การแนะนำ

• งานนี้ประเมินความสามารถของ CHATGPT ในการถอดรหัสตัวเลขชีวสารสนเทศศาสตร์
• พื้นที่ประเมินรวมถึงการวิเคราะห์ข้อมูลการจัดลำดับการจัดตำแหน่งยาและวิวัฒนาการของเนื้องอก
• พบว่า CHATGPT มีความเชี่ยวชาญในการอธิบายประเภทพล็อตและการใช้ข้อมูลเชิงลึกทางชีวภาพ
• ระบุความท้าทายในการรับรู้สีและการวิเคราะห์ภาพเชิงปริมาณ
• เน้นความจำเป็นในการพิสูจน์อักษรที่เข้มงวดเพื่อความแม่นยำและความน่าเชื่อถือ

- อ่านกระดาษฉบับเต็ม

วัสดุ

กรณีศึกษาสี่กรณีในการวิจัยโรคมะเร็ง:

1. กรณีศึกษา“ RNA”

(a) การวิเคราะห์ PCA แสดงตัวอย่างสองกลุ่ม:“ T” เป็นสีแดงและ“ M” เป็นสีน้ำเงิน (b) พล็อตภูเขาไฟสำหรับ FCS และ FDRs จากการวิเคราะห์ยีนที่แสดงออกแตกต่างกันด้วยยีนที่ควบคุมได้ในยีนสีแดงและที่ควบคุมลงในสีดำ SOCS3 และ Junb ระบุโดยหัวลูกศร (c) พล็อตจุดสรุปการโจมตีสิบอันดับแรกจากการวิเคราะห์การเสริมสมรรถนะ KEGG Pathway ที่ใช้กับยีนที่ควบคุมขึ้น

2. กรณีศึกษา“ ZNF71”

(A) พล็อตการอยู่รอดของ Kaplan - Meier สำหรับผู้ป่วย NSCLC (GSE81089) จัดเรียงโดยการแสดงออกของ ZNF71 KRAB Isoform สีแดง: ผู้ป่วยที่มีการแสดงออกของ ZNF71 KRAB ที่สูงขึ้น (TPM> 1.5); สีเขียว: คนอื่น ๆ ; (b) แผนภูมิแท่งสำหรับการแสดงออกของ znf71 krab isoform ในเซลล์ NSCLC ที่จัดเรียงโดยความไวของ docetaxel (c) เครือข่ายการเชื่อมโยงยีนของยีน ZNF71 และ IIIR ในเนื้องอก Luad และ NATS (d) พล็อตกระจายสำหรับระดับการแสดงออกของ CD27 mRNA และการตอบสนองของยาต่อ PQ-401 (EC50) ในกลุ่มเซลล์ NSCLS

3. กรณีศึกษา“ clonal”

(a) พล็อตกระจายสำหรับ VAF% เนื้องอกกำเริบ (แกน y) ไปยังเนื้องอกหลัก (แกน x) แต่ละจุดเป็นยีนและยีนที่มีผลกระทบอย่างมีนัยสำคัญ เนื้องอกปฐมภูมิและกำเริบที่มาจากผู้ป่วยรายเดียวกัน (b) พล็อตจุดที่เชื่อมต่อแสดงการเปลี่ยนแปลงของค่าเฉลี่ย VAF ของแต่ละคลัสเตอร์จากเนื้องอกหลักไปสู่การเกิดซ้ำ (c) พล็อตของระฆังแสดงให้เห็นถึงความชุกสัมพัทธ์ของโคลน (ย่อย) แต่ละตัวเป็นฟังก์ชั่นของการลุกลามของมะเร็งสำหรับเนื้องอกหลักและ (d) เนื้องอกกำเริบ (e) แปลงบรรจุวงกลมที่แสดงองค์ประกอบของเซลล์ของเนื้องอกหลักและ (f) เนื้องอกกำเริบซึ่งตรวจสอบด้วยทั้งหมด 100 เซลล์ (g) ต้นไม้ที่มีกิ่งก้านแสดงรูปแบบเชิงสัมพันธ์และการเพาะของโคลน (ย่อย) ระหว่างตัวอย่างหลักและตัวอย่างกำเริบ ระบุว่าเป็นยีนที่อำนวยความสะดวกในการเติบโตของโคลนผู้ก่อตั้ง

4. กรณีศึกษา“ YY1”

แทร็กเบราว์เซอร์ Washu Epigenome ที่แสดงการแจกแจงการอ่าน RNA-seq เฉพาะของ Strand, Chip-Seq อ่านสำหรับ H3K4ME3, H3K27AC และ H3K27ME3 รวมถึงการอ่าน Plac-Seq สำหรับการโต้ตอบโครมาติน สี่เหลี่ยมสีน้ำเงิน (A1 ถึง A3): ภูมิภาคโปรโมเตอร์ที่ใช้งานอยู่; สี่เหลี่ยมสีชมพู (I1 และ I2): ภูมิภาคโปรโมเตอร์ที่ไม่ได้ใช้งาน; สี่เหลี่ยมสีเขียว (E1 ถึง E4): ภูมิภาคเสริมที่ใช้งานอยู่; วงกลมสีน้ำเงิน: ภูมิภาคโปรโมเตอร์ (A1, I1 และ A3) โต้ตอบกับ YY1; วงกลมสีเขียว: ภูมิภาคเสริม (E1 ถึง E3) โต้ตอบกับ YY1 เส้นประที่ใช้ร่วมกันกับวงกลมหนึ่งวงบน HEATMAP: สองภูมิภาคจีโนมโต้ตอบ ระดับของความบริสุทธิ์บนความร้อนที่บ่งบอกถึงความแข็งแรงของปฏิสัมพันธ์

วิธีการ

ผลลัพธ์

ประสิทธิภาพโดยรวม:

• เราคำนวณเปอร์เซ็นต์ของคำสั่งจริงสำหรับแต่ละกรณีตามผลลัพธ์ตารางสรุป
• กรณี“ RNA” มีระดับความแม่นยำสูงสุด (95.1 ± 1.3%)
• ในทางกลับกันความถูกต้องโดยรวมจากกรณีศึกษาอีกสามกรณีนั้นน่าประทับใจน้อยกว่าตั้งแต่ 64.4 ± 0.1% ในกรณี“ ZNF71” ถึง 77.3 ± 5.9% ในกรณี“ YY1”
• การสังเกตที่สำคัญในกรณี“ ZNF71” คือการสะกดผิดที่สอดคล้องกันของ“ CD27” เป็น“ CD271” และ“ IKBKB” เป็น“ IKKBK” ซึ่งคิดเป็น 40-55% ของข้อความเท็จ

ประสิทธิภาพตามหมวดหมู่:

• ความถูกต้องของคำสั่งสำหรับแต่ละกรณีศึกษาเรียงลำดับตามหมวดหมู่
• GPT-4V มีความสามารถสูงในการจดจำประเภทพล็อตและการเรียกคืนความรู้โดเมนโดยมีความแม่นยำมากกว่า 85% ในทุกกรณี
• ความแม่นยำในการรับรู้สีต่ำกว่า 60% สำหรับทุกกรณีต่ำกว่าการรับรู้พล็อตและความรู้โดเมน (p-value <0.05; t-test) อย่างมีนัยสำคัญ
• การอนุมานตำแหน่งแสดงความแม่นยำ 89.3% สำหรับ RNA แต่ก็ต่ำกว่าในอีกสามกรณี
• การนับมีความน่าเชื่อถือในกรณีง่ายๆ แต่อาจมีความแม่นยำน้อยลงในสถานการณ์ที่ซับซ้อน

ประสิทธิภาพตามหมวดหมู่ข้ามซ้ำ:

• การจดจำพล็อต: การจำลองแบบทั้งหมดแสดงประสิทธิภาพที่น่าพอใจสำหรับทุกกรณี
• ความรู้โดเมน: การจำลองแบบทั้งหมดแสดงประสิทธิภาพที่น่าพอใจสำหรับทุกกรณี
• การรับรู้สี: การจำลองทั้งหมดแสดงให้เห็นถึงประสิทธิภาพที่ไม่น่าพอใจสำหรับกรณีทั้งหมดที่รวมอยู่
• การอนุมานตำแหน่ง: ประสิทธิภาพที่ไม่น่าพอใจเป็นที่แพร่หลายในการจำลองแบบยกเว้นในกรณี“ RNA”
• จำนวน: การจำลองทั้งหมดแสดงให้เห็นถึงประสิทธิภาพที่ไม่น่าพอใจสำหรับกรณีทั้งหมดที่รวมอยู่

บทสรุป

• CHATGPT แสดงสัญญาที่สำคัญในการถอดรหัสตัวเลขทางวิทยาศาสตร์ทางชีวสารสนเทศศาสตร์
• CHATGPT มีความเชี่ยวชาญในการอธิบายประเภทพล็อตที่แตกต่างกันและใช้ความรู้ทางชีวภาพ
• มันต่อสู้กับการตีความสีอย่างแม่นยำและทำการวิเคราะห์เชิงปริมาณ
• ต้องใช้กลไกของมนุษย์ในวงเมื่อทำงานกับเครื่องมือ AI

การอ้างอิง

@article {wang2024scientific, title = {ตัวเลขทางวิทยาศาสตร์ที่ตีความโดย chatgpt: จุดแข็งในการจดจำพล็อตและขีด จำกัด ในการรับรู้สี}, ผู้แต่ง = {วัง, jinge และ ye, Qing และ liu, li และ guo, nancy lan และ hu, gangqing}, วารสาร = {npj หน้า = {84}, ปี = {2024}, Publisher = {Nature Publishing Group UK London}}