Knowledge database development by large language models for countermeasures against viruses and marine toxins

📄 arXiv: 2603.29149v1 📥 PDF

作者: Hung N. Do, Jessica Z. Kubicek-Sutherland, S. Gnanakaran

分类: cs.AI, cs.DB

发布日期: 2026-03-31

备注: Clearance: 26-T-0967 (DOW)

💡 一句话要点

利用大型语言模型构建病毒和海洋毒素的知识库，加速医疗对策研发。

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

关键词: 大型语言模型 知识库构建 病毒 海洋毒素 医疗对策 AI智能体 自动化 ChatGPT

📋 核心要点

  1. 现有病毒和海洋毒素信息分散，缺乏统一数据库，阻碍了医疗对策的快速研发。
  2. 利用大型语言模型自动构建和更新病毒及海洋毒素知识库，提高信息获取效率。
  3. 通过AI智能体对医疗对策进行排序，辅助决策，提升应对病毒和毒素威胁的能力。

📝 摘要（中文）

针对病毒和海洋毒素缺乏全面数据库，导致医疗对策研发缓慢的问题，本文利用ChatGPT和Grok两个大型语言模型（LLMs）构建了治疗拉斯萨病毒、马尔堡病毒、埃博拉病毒、尼帕病毒、委内瑞拉马脑炎病毒以及海洋毒素的综合数据库。通过人工提供的高级输入，LLMs识别包含病毒和海洋毒素数据的公共数据库，收集相关信息，迭代交叉验证，并设计交互式网页以方便访问。ChatGPT还被用于设计智能体AI工作流（包含研究和决策两个AI智能体），对数据库中的病毒和海洋毒素的医疗对策进行排序。该研究探索了LLMs作为可扩展、可更新的方法，用于构建综合知识库并支持循证决策的潜力。

🔬 方法详解

问题定义：论文旨在解决病毒和海洋毒素相关医疗对策信息分散、缺乏综合数据库的问题。现有方法依赖人工收集和整理，效率低、更新慢，难以满足快速响应突发疫情和中毒事件的需求。因此，迫切需要一种自动化、可扩展的知识库构建方法，以支持循证决策。

核心思路：论文的核心思路是利用大型语言模型（LLMs）的强大信息检索、知识整合和自然语言处理能力，自动化构建和维护病毒及海洋毒素的知识库。通过人工提供的高级指令，LLMs能够自主地从各种公共数据库和文献中提取相关信息，并进行交叉验证，从而保证数据的准确性和完整性。

技术框架：整体框架包括以下几个主要阶段：1) 人工输入：提供关于目标病毒和海洋毒素的高级指令；2) LLM信息检索：LLMs（ChatGPT和Grok）根据指令识别相关的公共数据库和文献；3) 数据收集与整合：LLMs从识别的资源中提取关键信息，构建初步的知识库；4) 交叉验证：LLMs对收集到的信息进行迭代交叉验证，确保数据一致性和准确性；5) 数据库设计与部署：LLMs设计交互式网页，方便用户访问和查询知识库；6) AI智能体排序（仅ChatGPT）：利用ChatGPT设计AI智能体工作流，对医疗对策进行排序。

关键创新：论文的关键创新在于将大型语言模型应用于知识库的自动化构建，并利用AI智能体进行决策支持。与传统的人工构建方法相比，该方法具有更高的效率、可扩展性和可更新性。此外，利用AI智能体对医疗对策进行排序，为决策者提供了更直观的参考。

关键设计：论文中，ChatGPT被用于设计agentic AI工作流，该工作流包含两个AI agent：一个用于研究，负责收集和整理信息；另一个用于决策，负责对医疗对策进行排序。具体的参数设置、损失函数和网络结构等技术细节未在摘要中详细说明，属于未知信息。

📊 实验亮点

论文展示了利用ChatGPT和Grok构建病毒和海洋毒素知识库的可行性。虽然摘要中没有提供具体的性能数据，但强调了LLMs在信息检索、知识整合和数据库设计方面的能力。ChatGPT设计的AI智能体工作流能够对医疗对策进行排序，为决策提供支持。该研究为自动化知识库构建提供了一种新的思路。

🎯 应用场景

该研究成果可应用于医疗卫生领域，为病毒和海洋毒素相关疾病的预防、诊断和治疗提供信息支持。构建的知识库能够帮助研究人员快速了解最新的医疗对策，加速药物研发和临床试验。此外，该方法还可推广到其他疾病领域，构建更广泛的医学知识库，提升医疗决策的科学性和效率。

📄 摘要（原文）

Access to the most up-to-date information on medical countermeasures is important for the research and development of effective treatments for viruses and marine toxins. However, there is a lack of comprehensive databases that curate data on viruses and marine toxins, making decisions on medical countermeasures slow and difficult. In this work, we employ two large language models (LLMs) of ChatGPT and Grok to design two comprehensive databases of therapeutic countermeasures for five viruses of Lassa, Marburg, Ebola, Nipah, and Venezuelan equine encephalitis, as well as marine toxins. With high-level human-provided inputs, the two LLMs identify public databases containing data on the five viruses and marine toxins, collect relevant information from these databases and the literature, iteratively cross-validate the collected information, and design interactive webpages for easy access to the curated, comprehensive databases. Notably, the ChatGPT LLM is employed to design agentic AI workflows (consisting of two AI agents for research and decision-making) to rank countermeasures for viruses and marine toxins in the databases. Together, our work explores the potential of LLMs as a scalable, updatable approach for building comprehensive knowledge databases and supporting evidence-based decision-making.