ChatGPT usage in the Reactome curation process

https://www.biorxiv.org/content/10.1101/2023.11.08.566195v1

以下は、上記の論文のアブストラクトをChatGPTに解釈させたものです。解釈の正確性について保証はいたしません。

1. 本研究の学術的背景および研究課題の核心は、ChatGPTを含む大規模言語モデルの進化と普及における潜在的な応用可能性を探求することです。特に、生物学的経路に関連する情報の収集と注釈付けの段階で、既存の手動作業の範囲を軽減するための自動化または半自動化フレームワークを作成することを目指しています。Reactomeのカリキュレーションプロセスにおいて、ChatGPTまたは他の大規模言語モデルを統合する効率性を評価し、そのアノテーションパイプラインの計画に役立ち、信頼性のある自動化または半自動化の方法でタンパク質から経路への関連付けを改善することです。

2. 本研究の目的は、ChatGPTや他の大規模言語モデルをReactomeのカリキュレーションワークフローに統合する効果を評価し、アノテーションプロセスの人的労力を軽減することです。これにより、生物学的データのキュレーションを効率化し、精度を向上させることを目指しています。また、本研究の学術的な独自性と創造性は、既存の手法に加えてChatGPTやGPT4などの大規模言語モデルがどのように活用できるかを詳細に調査し、その利点と課題を明らかにする点にあります。

3. 本研究の着想は、生成型AIの急速な進展と普及を念頭に置いており、特にChatGPTやGPT4などの大規模言語モデルがReactomeのカリキュレーションプロセスにおいてどのように利用できるかを探求することに至りました。また、大規模言語モデルが社会科学、教育、アート、ソフトウェア、医療などの様々な分野で成功を収めていることから、生物学的データのキュレーションの効率化にも応用が可能であると考えられました。このような背景から、本研究はChatGPTや他の大規模言語モデルがReactomeのパスウェイキュレーションにおいてどのように利用できるかを評価することで、国内外の研究動向との関連性を明確にしました。

4. 本研究では、ChatGPTおよびGPT4を使用して、既存の手動カリキュレーションプロセスと並行して、パスウェイの注釈と豊かさの不足を補うために使用しました。この方法により、ChatGPTが生成する出力を手動抽出された情報と比較し、効率性を評価しました。この比較の主な目的は、ChatGPTや他の大規模言語モデルをReactomeのカリキュレーションワークフローに統合することの効果を確認し、アノテーションパイプラインの計画に役立ち、信頼性のある自動化または半自動化の方法を改善することです。この過程で、ChatGPTやGPT4の利用に関連する有望な機能と固有の課題を識別しました。また、ChatGPTやGPT4の出力の精度と詳細性を向上させるためのアプローチやツールについても説明しています。

5. 本研究では、ChatGPTや他の大規模言語モデルをReactomeのカリキュレーションワークフローに統合することの有効性を評価するため、人手によるカリキュレーションとの比較を行い、そのコスト効果を測定しました。この比較により、ChatGPTの出力が手動カリキュレーションと一致し、データの収集、要約、相互参照のタスクを効果的に自動化または半自動化できることが示されました。また、ChatGPTの利用はReactomeデータベースの注釈の一貫性と品質を向上させることも示されました。これらの結果から、大規模言語モデルを生物学的データのキュレーションに統合することが効果的であり、その有効性が評価できたと言えます。