Roadmap for using large language models (LLMs) to accelerate cross-disciplinary research with an example from computational biology

📄 arXiv: 2507.03722v1 📥 PDF

作者: Ruian Ke, Ruy M. Ribeiro

分类: cs.AI, q-bio.OT

发布日期: 2025-07-04

💡 一句话要点

提出利用大型语言模型加速跨学科研究的路线图，以计算生物学为例

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

关键词: 大型语言模型 跨学科研究 计算生物学 人机协作 HIV反弹动力学

📋 核心要点

  1. 跨学科研究面临沟通、知识转移和协作的挑战，现有方法难以有效整合不同领域的知识。
  2. 论文提出利用大型语言模型（LLMs）作为增强工具，构建人机协作框架，促进跨学科研究。
  3. 通过计算生物学案例研究（HIV反弹动力学建模），展示了LLM在促进跨学科协作和研究方面的潜力。

📝 摘要（中文）

大型语言模型（LLMs）是强大的人工智能（AI）工具，正在改变研究的进行方式。然而，由于对幻觉、偏见以及对研究的潜在危害的担忧，它们在研究中的应用受到了质疑。这些担忧强调了清晰理解LLMs的优势和劣势的重要性，以确保其有效和负责任的使用。本文提出了一个将LLMs整合到跨学科研究中的路线图，在跨学科研究中，有效的沟通、知识转移和协作至关重要，但通常具有挑战性。我们研究了LLMs的能力和局限性，并提供了一个详细的计算生物学案例研究（关于HIV反弹动力学建模），展示了与LLM（ChatGPT）的迭代交互如何促进跨学科协作和研究。我们认为LLMs最好用作人机协作框架中的增强工具。展望未来，我们设想负责任地使用LLMs将增强创新性的跨学科研究，并大大加速科学发现。

🔬 方法详解

问题定义：跨学科研究需要整合不同领域的知识，但不同领域的研究人员在术语、方法和目标上可能存在差异，导致沟通障碍和知识转移困难。现有方法难以有效促进跨学科协作，阻碍了创新性研究的进展。

核心思路：利用大型语言模型（LLMs）强大的自然语言处理能力，作为跨学科研究人员之间的桥梁，促进知识共享和协作。LLMs可以理解不同领域的术语和概念，并将其转化为易于理解的形式，从而消除沟通障碍。同时，LLMs可以辅助研究人员进行文献调研、数据分析和模型构建，提高研究效率。

技术框架：论文提出的框架是一个人机协作的迭代过程。研究人员首先向LLM提出问题或任务，LLM根据其知识库生成初步的答案或解决方案。研究人员对LLM的输出进行评估和反馈，并根据需要进行修改和完善。LLM根据研究人员的反馈进行学习和改进，并生成更准确和有用的结果。这个迭代过程持续进行，直到研究人员满意为止。

关键创新：论文的关键创新在于提出了将LLMs作为跨学科研究的增强工具，而不是替代研究人员。通过人机协作，可以充分发挥LLMs的优势，同时避免其潜在的局限性，例如幻觉和偏见。这种方法可以有效地促进跨学科协作，加速科学发现。

关键设计：在计算生物学案例研究中，论文使用了ChatGPT作为LLM。研究人员通过与ChatGPT进行迭代交互，构建了HIV反弹动力学模型。研究人员使用了自然语言提示来指导ChatGPT进行文献调研、数据分析和模型构建。研究人员还对ChatGPT的输出进行了评估和反馈，并根据需要进行了修改和完善。

📊 实验亮点

在计算生物学案例研究中，研究人员利用ChatGPT成功构建了HIV反弹动力学模型。通过与ChatGPT的迭代交互，研究人员能够快速获取相关文献、分析数据并构建模型。该案例研究表明，LLMs可以有效地促进跨学科协作，并提高研究效率。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究成果可应用于各种跨学科研究领域，例如生物医学、材料科学、环境科学等。通过利用LLMs促进跨学科协作，可以加速科学发现，解决复杂的问题，并推动社会进步。此外，该研究还为LLMs在科研领域的应用提供了新的思路和方法。

📄 摘要（原文）

Large language models (LLMs) are powerful artificial intelligence (AI) tools transforming how research is conducted. However, their use in research has been met with skepticism, due to concerns about hallucinations, biases and potential harms to research. These emphasize the importance of clearly understanding the strengths and weaknesses of LLMs to ensure their effective and responsible use. Here, we present a roadmap for integrating LLMs into cross-disciplinary research, where effective communication, knowledge transfer and collaboration across diverse fields are essential but often challenging. We examine the capabilities and limitations of LLMs and provide a detailed computational biology case study (on modeling HIV rebound dynamics) demonstrating how iterative interactions with an LLM (ChatGPT) can facilitate interdisciplinary collaboration and research. We argue that LLMs are best used as augmentative tools within a human-in-the-loop framework. Looking forward, we envisage that the responsible use of LLMs will enhance innovative cross-disciplinary research and substantially accelerate scientific discoveries.