AI Umum

BioBRIDGE: Menjembatani Model Dasar Unimodal untuk Perilaku Multimodal dalam Penelitian Biomedis

Pengantar

Model dasar (FM) telah merevolusi penelitian biomedis, memungkinkan pemrosesan dan analisis data besar yang tidak berlabel. Namun, FM dalam domain biomedis sebagian besar terbatas pada aplikasi unimodal, berfokus pada urutan protein, struktur molekul kecil, atau data klinis secara terpisah. Cakupan yang sempit ini membatasi potensi mereka, terutama jika mempertimbangkan sifat pengetahuan biomedis yang saling terkait.

BioBRIDGE: Menjembatani Kesenjangan

Peneliti dari University of Illinois Urbana-Champaign dan Amazon AWS AI telah mengembangkan BioBRIDGE, kerangka kerja pembelajaran yang efisien parameter untuk menyatukan FM unimodal yang dilatih secara independen dan membangun perilaku multimodal. Inovasi ini dicapai dengan menggunakan Grafik Pengetahuan (KG) untuk mempelajari transformasi antara FM unimodal tanpa menyempurnakan model yang mendasarinya.

Penelitian menunjukkan bahwa BioBRIDGE dapat secara signifikan mengungguli metode penanaman KG dasar dalam tugas pengambilan lintas modal sekitar 76,3%, menunjukkan kemampuan menggeneralisasi yang mengesankan di seluruh modalitas atau relasi yang tidak terlihat.

Metodologi BioBRIDGE

Metodologi BioBRIDGE bergantung pada penggunaan KG biomedis, yang berisi informasi struktural kaya yang diwakili oleh triplet entitas biomedis kepala dan ekor serta hubungannya. Struktur ini memungkinkan analisis komprehensif berbagai modalitas seperti protein, molekul, dan penyakit.

Dengan menyelaraskan ruang penanaman FM unimodal melalui model transformasi lintas modal yang memanfaatkan triplet KG, BioBRIDGE mempertahankan kecukupan dan efisiensi data serta mengatasi tantangan yang ditimbulkan oleh biaya komputasi dan kelangkaan data yang menghambat skalabilitas pendekatan multimodal.

Evaluasi dan Aplikasi

Kinerja BioBRIDGE dievaluasi melalui eksperimen yang menunjukkan kompetensinya dalam tugas prediksi lintas modal yang beragam. BioBRIDGE dapat mengekstrapolasi ke node yang tidak ada dalam KG pelatihan dan menggeneralisasi ke hubungan yang tidak ada dalam data pelatihan. Ini memperkenalkan aplikasi baru sebagai pengambil tujuan umum yang membantu dalam menjawab pertanyaan multimodal biomedis dan pembuatan obat baru yang dipandu.

Dampak dan Kesimpulan

BioBRIDGE secara efisien menjembatani kesenjangan antara FM unimodal, memanfaatkan informasi struktural yang kaya dari KG untuk memfasilitasi transformasi lintas modal. BioBRIDGE menunjukkan kemampuan generalisasi di luar domain yang luar biasa, menawarkan jalur baru untuk mengintegrasikan dan menganalisis data biomedis multimodal. Kerangka kerja ini adalah alat serbaguna yang dapat berdampak signifikan pada penelitian biomedis, mulai dari meningkatkan sistem tanya jawab hingga memfasilitasi penemuan obat.

Kesimpulannya, BioBRIDGE merupakan lompatan maju yang signifikan dalam menerapkan model dasar untuk penelitian biomedis, menawarkan pendekatan yang skalabel dan efisien untuk mengintegrasikan data multimodal. Dengan menjembatani kesenjangan antara FM unimodal dan memungkinkan penerapannya di berbagai domain tanpa pelatihan ulang atau pengumpulan data yang ekstensif, penelitian ini membuka jalan bagi analisis yang lebih holistik dan saling terkait di bidang biomedis. Potensi BioBRIDGE untuk diperluas ke domain lain, dengan representasi terstruktur dalam KG, membuka jalan bagi eksplorasi dan inovasi masa depan dalam integrasi dan analisis data multimodal.