DrugAssist:一个用于分子优化的大型语言模型
通过一种多模态的大型语言模型 InstructMol,将分子结构与自然语言有效地对齐,通过一种指令调整方法,利用有限的领域特定数据与分子和文本信息相结合的两阶段训练策略,展示了在药物发现相关的分子任务上的显著性能改进,超过了领先的大型语言模型,并显著缩小了与专业模型之间的差距,从而为实现一个多才多艺、可靠的药物发现助手奠定了坚实的基础。
Nov, 2023
DrugLLM 是一个专门用于药物设计的大型语言模型,在训练过程中使用基于群组的分子表示(GMR)来表示分子,通过预测基于过去修饰的下一个分子来学习如何修改分子,在有限的示例基础上生成具有期望特性的新分子,并具有强大的少样本分子生成能力。
May, 2024
化学和人工智能的交叉领域是一个积极研究的领域,旨在加速科学发现;该研究聚焦于机器翻译化学语言和分子模型,并采用一种新的训练方法,通过对比优化来提高模型性能。
May, 2024
药物开发中,药理学家需要进行各种任务,比如文献回顾、假设制定、实验设计和结果解释。在本文中,我们介绍了一种基于大型语言模型(LLM)的自然语言接口,用于与存储在数据库中的结构化信息进行交互。我们的实验证明了所提出框架的可行性和有效性。该框架可以广泛查询各种药品数据和知识库。
Jul, 2023
开发疗法是一个漫长而昂贵的过程,需要满足许多不同的标准,而能够加快这个过程的人工智能模型将是无价之宝。这篇论文介绍了 Tx-LLM,它是一个通用的大型语言模型,从 PaLM-2 中细调,能够编码关于不同治疗模式的知识,并在药物发现领域的多个阶段上同时进行预测,从而具有竞争力的性能。我们相信 Tx-LLM 是向编码生化知识的 LLMs 迈出的重要一步,未来可能成为整个药物发现开发过程中的一种端到端工具。
Jun, 2024
使用先进的优化算法和非线性融合,通过少量数据实现科学大语言模型的性能提升和新的最佳水平,并引入细粒度的评估方法来评估大语言模型中的虚构能力和促进负责任的使用。
May, 2024
ChemLLM 是第一个专门用于化学领域的大型语言模型,通过使用结构化化学知识构建对话系统,能够在化学学科中顺畅交互完成各种任务,包括名称转换、分子标题和反应预测,并在相关数学和物理任务中展现出出色的适应性。
Feb, 2024
利用大型语言模型(LLMs),本文提出了一种名为 LEADER 的新方法,通过创建适当的提示模板和特征级知识蒸馏技术,将现有的药物推荐方法转化为更加高效和精确的形式。
Feb, 2024
通过大型语言模型技术,我们提出了一种全面的人工智能代理框架,能够高度准确地从大量化学文献中提取信息,实现化学文献的自动化处理,从而节省人力资源并提升性能。这一方法在化学文献处理方面具有重要的实践价值,并展示了人工智能在化学数据管理和利用方面的潜力。
Feb, 2024