LLM-引导的检索提高了分子扰动预测的准确性

研究人员开发了一种名为LLM-Guided Retrieval (LGR) 的新方法，用于预测分子对药物扰动的反应，这是药物发现中的关键一步。LGR利用大型语言模型来识别和排序先前研究过的相似的药物-细胞系组合。然后汇总这些已识别的反应，以预测新的、未研究过的组合的结果。与现有方法相比，该方法在不同细胞系上的准确性和泛化能力均有所提高，这表明对于零样本分子扰动预测而言，检索质量比复杂的预测模型更重要。 AI

影响 通过提高预测新药物-细胞系组合分子反应的准确性来促进药物发现。

排序理由 研究论文，详细介绍了一种新的分子扰动预测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• ChemCPA
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• LLM-Guided Retrieval
• ScienceCast
• Tahoe-100M

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →