arXiv 2403.071442024-03-11cs.CL

Thought Graph：为生物推理生成思维过程

Thought Graph: Generating Thought Process for Biological Reasoning

University of Texas at Austin（德克萨斯大学奥斯汀分校）；Arizona State University（亚利桑那州立大学）；University of Pennsylvania（宾夕法尼亚大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；California Institute of Technology（加利福尼亚理工学院）

Chi-Yang Hsu, Kyle Cox, Jiawei Xu, Zhen Tan, Tianhua Zhai, Mengzhou Hu, Dexter Pratt, Tianlong Chen, Ziniu Hu, Ying Ding

备注：: 4 pages. Accepted by Web Conf 2024
DOI：: 10.1145/3589335.3651572

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本研究提出支持复杂推理的新型框架Thought Graph，以基因集分析为例揭示生物过程语义关系，在与人工标注的余弦相似度上显著优于GSEA和大语言模型基线，为生物过程命名及相关领域研究提供启示。

摘要：

我们提出Thought Graph（思维图）这一支持复杂推理的新型框架，并以基因集分析为例揭示生物过程之间的语义关系。该框架的突出优势是能深化对基因集的理解，基于与人工标注的余弦相似度，其性能显著超越GSEA达40.28%，超出大语言模型基线5.38%。我们的分析还为生物过程命名的未来方向提供了洞见，并对生物信息学和精准医学具有启示意义。

英文摘要：

We present the Thought Graph as a novel framework to support complex reasoning and use gene set analysis as an example to uncover semantic relationships between biological processes. Our framework stands out for its ability to provide a deeper understanding of gene sets, significantly surpassing GSEA by 40.28% and LLM baselines by 5.38% based on cosine similarity to human annotations. Our analysis further provides insights into future directions of biological processes naming, and implications for bioinformatics and precision medicine.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。