密苏里大学许东：大模型时代，Prompt 为生物信息学研究带来新动力丨IJAIRR

404 0 0

文章摘要

随着人工智能技术的飞速发展，大语言模型（LLMs）在生物信息学领域的应用日益广泛，为该领域带来了新的繁荣期。Prompt技术，即通过特定的引导性语句或问题激发大语言模型潜能的方法，成为提高AI模型精准度的关键。然而，Prompt技术的复杂性远超想象，需要从基于经验的技艺转变为基于科学原理的工程学科。

近日，一篇发表在《International Journal of Artificial Intelligence and Robotics Research》（IJAIRR）的论文《Iterative Prompt Refinement for Mining Gene Relationships from ChatGPT》，聚焦于如何利用大型语言模型挖掘基因关系，并提出了一种迭代提示优化技术来提高预测基因关系的准确性。该研究为生物信息学研究者使用ChatGPT改善工作流程、提高工作效率提供了新思路。

生物信息学领域正迎来第二个繁荣期。上世纪90年代，人类基因组计划的启动、全球蛋白质结构预测竞赛的举办等，使生物信息学成为前沿学科。如今，AI大模型的应用主要集中在蛋白质模型、单细胞模型、医学多模态模型等方面，能够辅助生物信息学家以更快、更精确的方式处理问题，提升研究效率并降低成本。

尽管AI大模型在生物信息学领域的应用取得了进展，但仍处于早期发展阶段，存在诸多挑战。AI大模型需要大量高质量的生物信息学数据，但数据质量和完整性可能存在问题；同时，模型的解释性和可解释性不足，”幻觉”现象严重影响研究可靠性。

Prompt技术为生物信息学领域提供了灵活且易于实施的方法。在数据资源有限的情况下，Prompt技术仍可能成为主流方法之一。提示学习（Prompt Learning）将Prompt从基于经验转变为基于科学原理，通过设计特定提示格式，利用预训练语言模型的知识和能力，提高模型响应的有价值性、准确性和稳健性。

迭代提示优化技术通过模拟人类的学习和思考过程，使模型在处理复杂问题时更高效和协调。该技术通过迭代优化，减少模型误解，增强知识概括，提高自我反思能力，从而显著提升模型在生成回答时的准确性和可靠性，减少”幻觉”现象。

生物信息学领域中，Prompt技术具有显著优势：数据需求低，易于实施应用，且适用于小数据问题。迭代提示优化技术有效解决了大型语言模型中的”幻觉”问题，提高了模型的准确性和可靠性。尽管Prompt技术存在局限性，如依赖训练数据质量和泛化能力受限，但未来通过模型定制、迭代提示算法开发等，其在生物信息学领域的应用潜力巨大。

随着AI大模型的发展，Prompt技术将在更多领域发挥更大作用。尽管并非所有问题都适合Prompt技术，但相当比例的问题可能通过大模型和Prompt技术得到更准确的解决方案。生物信息学领域正迎来新的发展机遇，Prompt技术有望成为推动该领域进步的重要力量。