Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models

今天可用的大量生物医学信息对于寻求有效消化、处理和理解这些发现的调查人员来说是一个重大挑战。大型语言模型(LLMs)已成为导航这个复杂和具有挑战性的数据领域的强大工具。然而，LLMs可能会导致幻觉反应，因此检索增强生成(RAG)对于实现准确信息至关重要。在这个方案中，我们介绍了RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction)，这是一个全面的工作流程，旨在支持调查人员进行知识整合和假设生成，确定验证的前进路径。通过文本挖掘关联分析和可解释的图预测模型对疾病节点进行审查、整合和提取相关的生物医学信息，预测药物和疾病之间的潜在联系。这些分析与生物医学文本一起集成到一个框架中，通过RAG启用的LLMs，促进用户导向的机制阐明和假设探索。一个临床应用案例展示了RUGGED评估和推荐心律失常型心肌病(ACM)和扩张型心肌病(DCM)的治疗方法的能力，分析处方药物的分子相互作用和未开发的用途。该平台最小化LLM幻觉，提供可行的见解，改善了对新型治疗方法的研究。

如何通过Retrieval Augmented Generation（RAG）来解决大规模生物医学信息处理中的幻觉问题，以提高信息的准确性？

RUGGED（Retrieval Under Graph-Guided Explainable disease Distinction）是一个综合性工作流程，通过文本挖掘和可解释的图预测模型，对疾病节点进行分析，预测药物和疾病之间的潜在联系，从而支持知识整合和假设生成。

RUGGED平台通过RAG-enabled LLMs实现用户指导的机制阐明和假设探索，可用于评估和推荐心律失常性心肌病（ACM）和扩张型心肌病（DCM）的治疗方法，分析处方药物的分子相互作用和未探索的用途，减少LLM幻觉，提供可操作的见解，改进新型治疗方法的研究。

最近的相关研究包括：1）使用LLMs进行文本挖掘的研究；2）使用图神经网络进行疾病预测的研究；3）使用深度学习技术进行药物发现的研究。