Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled LLM

本文是LLM系列文章，针对《Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models》的翻译。

摘要

当今可用的大量生物医学信息对寻求有效消化、处理和理解这些发现的研究人员提出了重大挑战。大型语言模型 (LLM) 已成为驾驭这一复杂且具有挑战性的数据环境的强大工具。然而，LLM可能会导致幻觉反应，这使得检索增强生成（RAG）对于获得准确信息至关重要。在此协议中，我们提出了 RUGGED（图引导可解释疾病区分下的检索），这是一个全面的工作流程，旨在支持研究人员进行知识整合和假设生成，确定经过验证的前进路径。通过文本挖掘关联分析和疾病节点的可解释图形预测模型，对出版物和知识库中的相关生物医学信息进行审查、整合和提取，预测药物和疾病之间的潜在联系。这些分析与生物医学文本一起被集成到一个框架中，该框架有助于用户主导的机制阐明以及通过支持 RAG 的LLM进行假设探索。临床用例证明 RUGGED 能够评估和推荐致心律失常性心肌病 (ACM) 和扩张型心肌病 (DCM) 的治疗方法，分析处方药物的分子相互作用和未探索的用途。该平台最大限度地减少了LLM的幻觉，提供了可行的见解，并改进了新型疗法的研究。

引言