BioEvidence 让冻结大模型零样本蛋白变异排序追平专用预测器,且证据越丰富表现越好
作者提出 BioEvidence——一个免训练、模型无关的接口,把标准生物工具的结构与进化信息转成紧凑证据喂给冻结的大语言模型,在 ProteinGym 基准上观察到“证据缩放”:证据越丰富性能越好,结构与进化证据各自有效、合并后进一步提升,而把同一证据错配到错误变异上会使性能低于无证据基线;该接口使零样本排序在匹配评估中达到强专用蛋白预测器水平,并在模型知识截止后发布的数据上仍然有效。
7 篇关联报道
作者提出 BioEvidence——一个免训练、模型无关的接口,把标准生物工具的结构与进化信息转成紧凑证据喂给冻结的大语言模型,在 ProteinGym 基准上观察到“证据缩放”:证据越丰富性能越好,结构与进化证据各自有效、合并后进一步提升,而把同一证据错配到错误变异上会使性能低于无证据基线;该接口使零样本排序在匹配评估中达到强专用蛋白预测器水平,并在模型知识截止后发布的数据上仍然有效。
这篇综述横跨社区与登记调查、队列与生物样本库、电子健康记录、数字表型、脑影像、基因组学及其他组学、随机对照试验七个领域,梳理大数据在精神病学中的进展、约束与未来方向,指出大数据推动了跨学科研究并揭示了精神障碍机制的复杂性、异质性与变异性,但样本量大并不保证估计更精确,从大数据到临床应用的转化仍存在差距,未来需在数据质量与方法严谨性、概念模型与临床问题上同等用力。
本文研究哈密顿量为广义 U-统计量、基测度任意的多线性 Gibbs 测度,在耦合矩阵按割范数收敛的条件下,把自由能极限表示为函数空间上的无穷维优化问题,给出复制对称(优化子为常函数)的充分条件并用反例说明其必要性,进而得到局部场、哈密顿量与全局磁化等统计量的弱极限、对比量的普适弱定律 n-1Σc_iX_i→0(当 Σc_i=o(n))、局部与全局磁化的指数集中界,以及高阶相互作用下温度参数的相变点存在性。
该研究通过名义群体技术(2025年5月,n=6)与两轮改良德尔菲法(2026年4月至5月,专家组n=13,来自12家学术医学中心,第一轮应答率77%、第二轮100%)构建了美国首个专科特异性的急诊医学AI能力框架,最终形成5个主题(沟通AI、理解适用场景、与AI互动、AI风险管理、AI的认知影响)、5项派生能力(主题与能力一对一映射获13人中12人认可)、19个子主题和10个保留临床场景,所有主题、派生能力及被单独评分的子主题均达到预设共识阈值,10个场景中9个达到共识、1个作为未来态运行模型保留。
本研究让ChatGPT针对非对称性听力损失或单侧耳聋的人工耳蜗保险拒赔情形,以零样本方式生成30种提示变体的申诉信,由三位人工耳蜗提供者按美国人工耳蜗联盟指南评分,并核查引用准确性,结果显示96.6%的回答列出人工耳蜗的多项获益、79.3%部分符合指南,但51.7%含虚构获益,96条引用中仅6条(6.3%)准确指向同行评审来源,其余为虚构(57.3%)、错误(24%)或无关(10%),提示临床与倡导使用前需人工核实。
该研究开发并部署了一套基于Transformer的自然语言处理流程,从2017年7月1日至2023年9月30日梅奥诊所各院区115683名无既往甲状腺疾病成人的甲状腺相关影像报告中识别偶发甲状腺发现,发现7.8%的患者存在此类发现(其中92.9%为结节性),且这些发现与后续甲状腺结节诊断、活检、甲状腺切除及甲状腺癌诊断的更高比值比相关,多数癌症为乳头状癌。
该研究通过一项先导研究和一项主研究,用Claude 2.1、ChatPDF、GPT-4以及Gemini 1.5 Flash、Gemini 1.5 Pro、Mistral Large 2等LLM,从教育领域已发表综述的112项研究中提取显性变量与派生变量并与人工编码对比,发现LLM在提取显性数据时一致性较高但在按预设类别归类时明显下降、Cohen's Kappa普遍偏低,据此提出并开发了强制逐条人工验证的开源人在回路(HIL)数据提取工具AIDE。
已读完全部报道