TL;DR
- چکیده: مدلسازی سیستم زیست مولکولی در مقیاسهای مولکولی یک چالش اصلی در تحقیقات علمیاست.
- مدلهای زبان بزرگ (LLM) بهطور فزایندهای برای اکتشافات زیستی مولکولی به کار میروند،.
- اما ارزیابی سیستماتیک در مشکلات بیولوژیکی چند مقیاسی و ارزیابی دقیق قابلیتهای افزوده شده با ابزار آنها محدود.
چه اتفاقی افتاد
چکیده: مدلسازی سیستم زیست مولکولی در مقیاسهای مولکولی یک چالش اصلی در تحقیقات علمیاست. مدلهای زبان بزرگ (LLM) بهطور فزایندهای برای اکتشافات زیستی مولکولی به کار میروند،.
اما ارزیابی سیستماتیک در مشکلات بیولوژیکی چند مقیاسی و ارزیابی دقیق قابلیتهای افزوده شده با ابزار آنها محدود. است.
ما یک شکاف سیستماتیک بین عملکرد LLM و درک مکانیکی را از طریق معیار زیست مولکولی پیشنهادی در. مقیاس متقاطع نشان میدهیم:.
BioMol-LLM-Bench،. یک چارچوب یکپارچه شامل 26 وظیفه پاییندستی که 4 سطح دشواری مجزا را پوشش میدهد،.
و ابزارهای محاسباتی برای ارزیابی جامعتر ادغام شدهاند. ارزیابی بر روی 13 مدل نماینده،.
4 یافته اصلی را نشان میدهد:. دادههای زنجیرهای از فکر سود محدودی ارائه میدهند و حتی ممکن است عملکرد در وظایف بیولوژیکی را کاهش.
دهند. ترکیبی مامبا-توجه معماریها برای توالیهای زیست مولکولی طولانی موثرتر هستند.
تنظیم دقیق نظارت شده، تخصص را به قیمت تعمیم بهبود میبخشد. و LLMهای فعلی در وظایف طبقه بندی به خوبی عمل میکنند اما در وظایف چالش برانگیز.
رگرسیون ضعیف باقی میمانند. این یافتهها با هم، راهنمایی عملی برای مدلسازی سیستمهای مولکولی مبتنی بر LLM در آینده ارائه میکنند.
یادگیری ماشین (cs. LG)؛ روشهای کمی (q-bio.
QM) استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Yaxin Xu [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 17:.
38:. 42 UTC (1,.
956 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.