An LLM-based Knowledge Synthesis and Scientific Reasoning Framework for Biomedical Discovery

我们介绍了使用Lunar框架开发的BioLunar，作为支持生物分析的工具，特别强调在肿瘤学中分子水平证据丰富化用于生物标志物发现。该平台集成了大型语言模型（LLMs），以促进跨分布式证据空间的复杂科学推理，增强了协调和推理异构数据源的能力。BioLunar利用模块化设计、可重用的数据访问和数据分析组件以及低代码用户界面，在癌症研究中展示了其实用性，使所有编程水平的研究人员能够构建LLM启用的科学工作流程。通过促进异构证据的自动科学发现和推论，BioLunar展示了LLMs、专业数据库和生物医学工具集成支持专家级知识综合和发现的潜力。

BioLunar旨在支持生物分析，特别是在肿瘤学中进行分子水平证据丰富，以发现生物标志物。

BioLunar整合了大型语言模型（LLM），以促进跨分布式证据空间的复杂科学推理，增强了协调和推理异构数据源的能力。

BioLunar采用模块化设计，可重复使用的数据访问和数据分析组件以及低代码用户界面，使所有编程级别的研究人员都能构建LLM启用的科学工作流。

最近在这个领域中，还有一些相关的研究，例如：1. 'Deep learning for molecular design - a review of the state of the art' 2. 'Molecular Property Prediction: A Multilevel Quantitative Structure–Property Relationship Approach' 3. 'Deep learning for computational chemistry'。