用例一:提取科学知识。为更好了解疾病和药物靶点,科学家们需要花费大量时间提取和总结专利、科学出版物和试验数据等文档中的信息。由GPT驱动的知识提取可以减轻这种负担。与早期基于自然语言处理(NLP)的解决方案不同,新的生成式人工智能工具能够更深入、更广泛地理解医疗背景和意图。因此,研究人员可以提出开放式问答,在不同任务之间轻松转换,无障碍地整合更多证据。潜在影响:药物靶点的初步人工评估增加30%以上。用例二:计算模拟筛选。药物开发中,确定最佳治疗化合物及其优先次序是一大难题。生成式人工智能利用先进的基础化学模型,通过结构和功能映射数百万种化合物,结合已知测试分子结果,预测分子结构中的下一个部分。经多次迭代,可用于训练更精确的机器学习模型,助力未探索化学领域的预测,优先用于后续筛选,加速药物开发进程。潜在影响:化合物活性模型的性能最多可提高2.5倍;确定新线索的速度从数月缩短到数周。
收藏
登录后参与评论