LitSumm: Large language models for literature summarisation of non-coding RNAs

📄 arXiv: 2311.03056v4 📥 PDF

作者: Andrew Green, Carlos Ribas, Nancy Ontiveros-Palacios, Sam Griffiths-Jones, Anton I. Petrov, Alex Bateman, Blake Sweeney

分类: q-bio.GN, cs.AI

发布日期: 2023-11-06 (更新: 2025-01-10)

💡 一句话要点

提出利用大型语言模型进行非编码RNA文献摘要生成以解决文献整理挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文献摘要 大型语言模型 非编码RNA 自动化处理 生物医学 知识管理 文献整理

📋 核心要点

  1. 文献整理的需求不断增加，但审稿人数量有限，导致文献处理效率低下。
  2. 本文提出利用大型语言模型生成非编码RNA文献的自动摘要，以提高文献处理效率。
  3. 实验结果显示，生成的摘要质量高，且大多数被评为极高质量，验证了方法的有效性。

📝 摘要（中文）

在生命科学领域，文献整理面临越来越大的挑战，尤其是随着出版速度的加快和全球审稿人数量的相对固定。本文首次利用大型语言模型（LLMs）生成非编码RNA文献的摘要，旨在缓解RNA科学领域审稿人时间不足的问题。研究表明，通过商业LLM及一系列提示和检查，可以自动生成高质量、事实准确且引用正确的文献摘要。对部分摘要进行了人工评估，结果显示大多数摘要质量极高。我们将该工具应用于4600多种ncRNA，并通过RNAcentral资源提供生成的摘要。研究结论认为，借助当前一代LLMs，自动文献摘要生成是可行的，前提是进行仔细的提示和自动检查。

🔬 方法详解

问题定义：本文旨在解决生命科学领域中非编码RNA文献整理的效率低下问题，现有方法因审稿人数量有限而难以覆盖大量文献。

核心思路：通过使用大型语言模型（LLMs）生成文献摘要，结合一系列提示和检查机制，以确保生成内容的质量和准确性。

技术框架：整体流程包括文献数据的收集、LLM的输入提示设计、生成摘要、以及对生成内容的自动检查和人工评估。主要模块包括数据处理、模型调用和质量评估。

关键创新：本研究的创新在于将LLMs应用于生物医学文献的自动摘要生成，显著提高了文献处理的效率和质量，区别于传统的人工整理方法。

关键设计：在提示设计中，采用了多轮提示和反馈机制，以优化生成结果；同时，设置了严格的质量检查标准，确保生成摘要的准确性和可靠性。

📊 实验亮点

实验结果显示，生成的文献摘要在质量评估中大多数被评为极高质量，表明该方法在文献摘要生成方面具有显著的性能提升。具体而言，使用LLM生成的摘要在准确性和引用质量上均表现优异，验证了其在生物医学领域的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括生物医学文献管理、科研人员的文献检索与整理、以及生物信息学数据库的构建。通过自动化文献摘要生成，可以大幅提升科研人员的工作效率，促进科学研究的进展。未来，该技术有望扩展到其他领域的文献处理与知识管理。

📄 摘要（原文）

Curation of literature in life sciences is a growing challenge. The continued increase in the rate of publication, coupled with the relatively fixed number of curators worldwide presents a major challenge to developers of biomedical knowledgebases. Very few knowledgebases have resources to scale to the whole relevant literature and all have to prioritise their efforts. In this work, we take a first step to alleviating the lack of curator time in RNA science by generating summaries of literature for non-coding RNAs using large language models (LLMs). We demonstrate that high-quality, factually accurate summaries with accurate references can be automatically generated from the literature using a commercial LLM and a chain of prompts and checks. Manual assessment was carried out for a subset of summaries, with the majority being rated extremely high quality. We apply our tool to a selection of over 4,600 ncRNAs and make the generated summaries available via the RNAcentral resource. We conclude that automated literature summarization is feasible with the current generation of LLMs, provided careful prompting and automated checking are applied.