In letzter Zeit gab es eine Flut von Ankündigungen von KI-geführten Biotech-Unternehmen zum Potenzial von Large Language Models (LLM) in der frühen Arzneimittelforschung. Im zweiten Teil einer dreiteiligen Serie präsentiert Dr. Raminderpal Singh ein Anwendungsbeispiel von chatgpt, das zeigt, wie zugänglich LLMs für Laborwissenschaftler geworden sind.
In unserem vorherigen Artikel haben wir die Rolle und Herausforderungen von LLMs für die frühe Arzneimittelentdeckung zusammengefasst. In diesem Artikel stellen wir ein einfaches Fallbeispiel zum Herunterladen und Üben mit ChatGPT oder anderen zugänglichen LLM-Systemen zur Verfügung. Dies zeigt die Leistungsfähigkeit von LLMs zur Verbesserung der täglichen Aufgaben von Wissenschaftlern, trotz ihrer Einschränkungen und Herausforderungen. Sie können alle Quelldateien herunterladen, um sie selbst zu verwenden1 – (siehe Einfache ChatGPT-Übung). Vielen Dank an Nina Truter2 für ihre Unterstützung beim Erstellen dieses Beispiels. Das Beispiel sollte mit jedem LLM funktionieren, wurde aber mit ChatGPT getestet.3
Informationen zum Beispiel
- Ziel des Beispiels: Verwendung extrahierter Messungen aus 10 Arbeiten an mit Acarbose behandelten Mäusen, um die aus den Ergebnissen der Primärstudie abgeleiteten Empfehlungen zu verbessern.
- Wichtige Ergebnisse des Beispiels: Empfehlung zu Dosis, Teilnehmern und Messungen basierend auf den Ergebnissen der Primärstudie4,5 und Artikel über mit Acarbose behandelte Mäuse, mit unterstützenden Datenpunkten.
- Herausforderungen bei der Implementierung des Beispiels: Erstellen von Eingabeaufforderungen zum genauen Extrahieren von Informationen zur Unterstützung von Empfehlungen und genaues Beschreiben des Inhalts mehrerer Dateien und Dokumente.
Wichtig zu beachten ist, dass allgemein zugängliche LLM-Systeme die von Ihnen bereitgestellten Daten häufig weitergeben. Es wird daher empfohlen, keine vertraulichen Daten einzugeben.
Damit ChatGPT nützliche Einblicke bieten kann, muss etwas „Prompt Engineering“ durchgeführt werden. Dies ist ein Fachbegriff für bewährte Vorgehensweisen beim Schreiben von Eingabeaufforderungen. Die erste Eingabeaufforderung in diesem Beispiel dient beispielsweise nur dazu, Hintergrundinformationen und Kontext für ChatGPT bereitzustellen:
„Sie sind ein Wissenschaftler, der Arzneimittel entdeckt und Entscheidungen über Dosierung, Teilnehmer und Messungen treffen möchte, wenn ein bestehendes Diabetesmedikament in den Bereich der altersbedingten Krankheiten eingeführt wird. Sie haben experimentelle Ergebnisse aus einer Mausstudie, die die Auswirkungen von Acarbose auf Lebensdauer, Körpergewicht, Körperzusammensetzung, Fettpolster, Glukose, Griffstärke, Griffdauer, Rotarod und Pathologie zeigen. Sie haben auch mehrere relevante wissenschaftliche Veröffentlichungen mit Studien, die die Auswirkungen von Acarbose auf verschiedene Messungen bei Mäusen untersuchen. Sie möchten nun Ihre Studienergebnisse (die in Excel-Dateien und Bildern vorliegen) und die Veröffentlichungen separat abfragen, um Erkenntnisse zu gewinnen, und dann gemeinsam, um die besten Empfehlungen für Ihre Kollegen zu erhalten, die frühe klinische Studien mit Acarbose zu altersbedingten Krankheiten durchführen möchten. Zu diesem Zweck verarbeiten Sie nun eine Reihe spezifischer, vom Benutzer eingegebener ChatGPT-Eingabeaufforderungen.“
Der Screenshot unten zeigt die Ergebnisse der letzten Eingabeaufforderung. Es gibt einige Nuancen, die ChatGPT nicht erkannt hat. Beispielsweise ist die Lebensspanne bei weiblichen Mäusen im Vergleich zu männlichen Mäusen nicht so stark verlängert, aber ihre körperlichen Maße sind besser. Verbesserte Eingabeaufforderungen werden zur Generierung differenzierterer Ergebnisse beitragen.
Abbildung von Dr. Raminderpal Singh, die schnelle Ergebnisse veranschaulicht.
Bitte kommentieren Sie unten, um Ihre Erkenntnisse aus dem Beispiel mitzuteilen. Sagen Sie uns, ob Sie das Ergebnis verbessern konnten und wenn ja, wie?
Der nächste Artikel dieser Reihe, der am Montag, den 24. Juli veröffentlicht wird, befasst sich mit den wichtigsten Herausforderungen bei der effektiven Nutzung von LLMs zur frühen Arzneimittelentdeckung und präsentiert einige praktische Ansätze zu deren Bewältigung.
Verweise
1 Lesen. HitchhikersAI.org. Verfügbar unter: https://www.hitchhikersai.org/reading
2 Nina Truter. LinkedIn. Verfügbar unter: https://www.linkedin.com/in/nina-truter/
3 ChatGPT. Verfügbar unter: https://chatgpt.com/
4 Alavez S, et al. Acarbose verbessert die Gesundheit und Lebensdauer alternder HET3-Mäuse. Alternde Zelle. 18(2) (2019 April). Verfügbar unter: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6413665/
5 Harrison DE, et al. ITP: Interventions Testing Program: Auswirkungen verschiedener Behandlungen auf die Lebensdauer und damit verbundene Phänotypen bei genetisch heterogenen Mäusen (UM-HET3) (2004-2023). Mausphänomen-Datenbank. Verfügbar um: https://phenome.jax.org/projects/ITP1
Über den Autor
Dr. Raminderpal Singh
Dr. Raminderpal Singh ist ein anerkannter Meinungsführer in der Techbio-Branche. Er verfügt über mehr als 30 Jahre weltweite Erfahrung in der Leitung und Beratung von Teams beim Aufbau von Computermodellierungssystemen, die sowohl kosteneffizient sind als auch einen erheblichen IP-Wert haben. Seine Leidenschaft ist es, jungen bis mittleren Life-Science-Unternehmen dabei zu helfen, durch den effektiven Einsatz von Computermodellierung neuartige biologische Durchbrüche zu erzielen.
Raminderpal leitet derzeit die Open-Source-Community HitchhikersAI.org und beschleunigt die Einführung von KI-Technologien in der frühen Arzneimittelforschung. Er ist außerdem CEO und Mitbegründer von Incubate Bio – einem Techbio, das einen Service für Unternehmen aus dem Bereich Biowissenschaften anbietet, die ihre Forschung beschleunigen und ihre Laborkosten durch In-silico-Modellierung senken möchten.
Raminderpal verfügt über umfangreiche Erfahrung im Aufbau von Unternehmen in Europa und den USA. Als leitender Angestellter bei IBM Research in New York leitete Dr. Singh die Markteinführung von IBM Watson Genomics Analytics. Er war außerdem Vizepräsident und Leiter der Mikrobiomabteilung bei Eagle Genomics Ltd in Cambridge. Raminderpal promovierte 1997 in Halbleitermodellierung. Er hat mehrere Artikel und zwei Bücher veröffentlicht und ist Inhaber von zwölf Patenten. 2003 wurde er von EE Times zu einem der 13 einflussreichsten Menschen in der Halbleiterindustrie gewählt.
Für mehr: http://raminderpalsingh.com ; http://hitchhikersAI.org ; http://incubate.bio
