English(EN) Analysis of Prompt Engineering for Drug Toxicity Prediction

研究发现：LLM提示工程对药物毒性预测影响有限

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-04 04:00

一篇新研究论文探讨了使用大型语言模型（LLMs）进行药物毒性预测的提示工程的有效性。研究发现，LLMs固有的方差显著超过了提示优化的影响，表明提示措辞对预测准确性的影响有限。然而，与LLM生成的数值相比，该研究确实证明了在使用化学信息学代码进行特征提取时取得了实质性的性能提升。所提出的方法适用于生物信息学中各种类型的提示。 AI

影响表明虽然LLMs在药物发现中有用，但其固有的可变性需要仔细考虑特征提取方法而非提示优化。

排序理由研究论文发表在arXiv上，详细介绍了分析LLMs中用于药物毒性预测的提示工程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文发表在arXiv上，详细介绍了分析LLMs中用于药物毒性预测的提示工程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mia MacGregor, Aakash Welgamage Don, Mark Bartlett · 2026-09-04 04:00

药物毒性预测的提示工程分析

arXiv:2609.03635v1 Announce Type: new Abstract: Clinical trials in the UK can cost up to {\pounds}1.3 million, with approximately 90% drug failure rate. Toxicity is a major contributing factor in drug failure. Testing is time and cost intensive. In recent years, the use of artifi…

本文如何被排名

报道来源 [1]

药物毒性预测的提示工程分析

相关实体

相关话题