Hallucinations Can Improve Large Language Models in Drug Discovery

研究人员对大型语言模型（LLMs）中的幻觉现象提出了担忧，但在需要创造力的领域，如药物发现，其潜力值得探索。在本文中，我们提出了一种假设，即幻觉可以改善LLMs在药物发现中的表现。为了验证这一假设，我们使用LLMs将分子的SMILES字符串用自然语言描述出来，然后将这些描述作为提示的一部分来解决药物发现中的特定任务。通过对七个LLMs和五个分类任务进行评估，我们的研究结果证实了这一假设：包含幻觉的文本可以使LLMs取得更好的性能。值得注意的是，Llama-3.1-8B在ROC-AUC指标上比没有幻觉的基线模型提高了18.35%。此外，由GPT-4o生成的幻觉在不同模型中提供了一致的性能提升。另外，我们还进行了实证分析和案例研究，以探究影响性能的关键因素及其背后的原理。我们的研究揭示了幻觉在LLMs中的潜在应用，并为未来利用LLMs进行药物发现的研究提供了新的视角。

该论文试图验证一个假设，即幻觉（hallucinations）能否改进大型语言模型（LLMs）在药物发现中的表现。这并不是一个全新的问题，但将幻觉作为提升性能的手段是一个新颖的角度。

关键思路是利用LLMs生成分子的SMILES字符串的自然语言描述，并将这些描述（包括可能的幻觉内容）纳入提示中，以执行特定的药物发现任务。这种方法不同于传统方法，它有意引入幻觉来探索其潜在的积极影响。

研究设计了对七个LLM和五个分类任务的评估，结果显示带有幻觉文本的LLMs性能更佳。例如，Llama-3.1-8B在ROC-AUC上比无幻觉基线提高了18.35%。此外，GPT-4o产生的幻觉提供了跨模型最一致的改进。研究还进行了实证分析和案例研究，探讨影响性能的关键因素及其背后的原因。虽然未提及代码开源情况，但实验设计详尽，值得进一步研究。

最近的相关研究包括但不限于：1) 利用深度学习进行药物靶点预测；2) 结合图神经网络改进分子性质预测；3) 使用强化学习优化药物设计流程。一些相关研究的论文标题如《Deep Learning for Drug Discovery: Methods and Applications》、《Graph Neural Networks for Molecular Property Prediction》、《Reinforcement Learning in De Novo Drug Design》。