Name: הגדלת מודלי שפה גדולים באמצעות הטבעות וקטוריות לשיפור ההיענות הספציפית לתחום (וידאו) | JoVE Journal
Uploaded: 2024-12-06T12:20:00.000+00:00
Duration: 3 min 14 s
Description: למד כיצד לשפר את איכות התשובות של מודלי שפה גדולים באמצעות הטבעות וקטוריות של מאמרים מדעיים בתחום הבריאות. השיטה כוללת קוד להשוואת ביצועים בין מודלים שונים.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>שיבוץ שיטות לשילוב כתבי יד מדעיים במודלים של שפות גדולות

<ol><li>Singhal, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+encode+clinical+knowledge%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Large language models encode clinical knowledge.</a> Nature. 620 (7972), 172-180 (2023).</li>
<li>Gilson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+does+ChatGPT+perform+on+the+United+States+medical+licensing+examination%3F+The+implications+of+large+language+models+for+medical+education+and+knowledge+assessment%5BTitle%5D)+AND+%22JMIR+Med+Educ%22%5BJournal%5D)">How does ChatGPT perform on the United States medical licensing examination? The implications of large language models for medical education and knowledge assessment.</a> JMIR Med Educ. 9 (1), e45312(2023).</li>
<li>Guerra, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GPT-4+artificial+intelligence+model+outperforms+ChatGPT%2C+medical+students%2C+and+neurosurgery+residents+on+neurosurgery+written+board-like+questions%5BTitle%5D)+AND+%22World+Neurosurg%22%5BJournal%5D)">GPT-4 artificial intelligence model outperforms ChatGPT, medical students, and neurosurgery residents on neurosurgery written board-like questions.</a> World Neurosurg. 179, e160-e165 (2023).</li>
<li>Terwiesch, C. Would Chat GPT3 get a Wharton MBA? A prediction based on its performance in the Operations Management course. , 
 <a target="_blank" href="https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf">https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf</a> (2023).</li>
<li>Weizenbaum, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ELIZA-a+computer+program+for+the+study+of+natural+language+communication+between+man+and+machine%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">ELIZA-a computer program for the study of natural language communication between man and machine.</a> Communications of the ACM. 9 (1), 36-45 (1966).</li>
<li>Wu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+brief+overview+of+ChatGPT%3A+The+history%2C+status+quo+and+potential+future+development%5BTitle%5D)+AND+%22IEEE%2FCAA+Journal+of+Automatica+Sinica%22%5BJournal%5D)">A brief overview of ChatGPT: The history, status quo and potential future development.</a> IEEE/CAA Journal of Automatica Sinica. 10 (5), 1122-1136 (2023).</li>
<li>Touvron, H., et al. Llama 2: Open foundation and fine-tuned chat models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.09288">http://arxiv.org/abs/2307.09288</a> (2023).</li>
<li>Huang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+on+hallucination+in+large+language+models%3A+Principles%2C+taxonomy%2C+challenges%2C+and+open+questions%5BTitle%5D)+AND+%22arXiv+%5Bcs.CL%5D%22%5BJournal%5D)">A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions.</a> arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2311.05232">http://arxiv.org/abs/2311.05232</a> (2023).</li>
<li>Thirunavukarasu, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+in+medicine%5BTitle%5D)+AND+%22Nature+Med%22%5BJournal%5D)">Large language models in medicine.</a> Nature Med. 29 (8), 1930-1940 (2023).</li>
<li>Lewis, P., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2005.11401">http://arxiv.org/abs/2005.11401</a> (2020).</li>
<li>Li, J., Yuan, Y., Zhang, Z. Enhancing LLM factual accuracy with RAG to counter hallucinations: A case study on domain-specific queries in private knowledge-bases. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2403.10446">http://arxiv.org/abs/2403.10446</a> (2024).</li>
<li>Zhang, P., Xiao, S., Liu, Z., Dou, Z., Nie, J. -Y. Retrieve anything to augment large language models. arXiv [cs.IR]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.07554">http://arxiv.org/abs/2310.07554</a> (2023).</li>
<li>Ling, C., et al. Domain specialization as the key to make large language models disruptive: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2305.18703">http://arxiv.org/abs/2305.18703</a> (2023).</li>
<li>Ram, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In-Context+retrieval-augmented+language+models%5BTitle%5D)+AND+%22Trans+Assoc+Comput+Linguist%22%5BJournal%5D)">In-Context retrieval-augmented language models.</a> Trans Assoc Comput Linguist. 11, 1316-1331 (2023).</li>
<li>Cormode, G. Sequence distance embeddings. , The University of Warwick. 
 <a target="_blank" href="https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf">https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf</a> (2003).</li>
<li>Guo, Z., et al. Evaluating large language models: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.19736">http://arxiv.org/abs/2310.19736</a> (2023).</li>
<li>Chicago Consensus Working Group. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Chicago+Consensus+Guidelines+for+peritoneal+surface+malignancies%3A+Introduction%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">The Chicago Consensus Guidelines for peritoneal surface malignancies: Introduction.</a> Cancer. 126 (11), 2510-2512 (2020).</li>
<li>Wang, G., et al. OpenChat: Advancing open-source language models with mixed-quality data. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.11235">http://arxiv.org/abs/2309.11235</a> (2023).</li>
<li>Jiang, A. Q., et al. Mistral 7B. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.06825 ">http://arxiv.org/abs/2310.06825 </a> (2023).</li>
<li>Megahed, F. M., et al. AI and the future of work in statistical quality control: Insights from a first attempt to augmenting ChatGPT with an SQC knowledge base (ChatSQC). arXiv [cs.HC]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.13550">http://arxiv.org/abs/2308.13550</a> (2023).</li>
<li>Wang, Y., Ma, X., Chen, W. Augmenting black-box LLMs with medical textbooks for clinical question answering. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.02233">http://arxiv.org/abs/2309.02233</a> (2023).</li>
<li>Dodge, J., et al. Measuring the carbon intensity of AI in cloud instances. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDodge%2C+J+%22FACCT+2022%22">FACCT 2022</a>. , (2022).</li>
<li>Samsi, S., et al. From words to watts: Benchmarking the energy costs of large language model inference. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.03003">http://arxiv.org/abs/2310.03003</a> (2023).</li>
<li>Khene, Z. -E., Bigot, P., Mathieu, R., Rouprêt, M., Bensalah, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+a+personalized+chat+model+based+on+the+European+association+of+urology+oncology+guidelines%3A+Harnessing+the+power+of+generative+artificial+intelligence+in+clinical+practice%5BTitle%5D)+AND+%22Eur+Urol+Oncol%22%5BJournal%5D)">Development of a personalized chat model based on the European association of urology oncology guidelines: Harnessing the power of generative artificial intelligence in clinical practice.</a> Eur Urol Oncol. 7 (1), 160-162 (2024).</li>
<li>Kresevic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+hepatological+clinical+guidelines+interpretation+by+large+language+models%3A+a+retrieval+augmented+generation-based+framework%5BTitle%5D)+AND+%22NPJ+Digit+Med%22%5BJournal%5D)">Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework.</a> NPJ Digit Med. 7 (1), 102(2024).</li>
<li>Ge, J., et al. Development of a liver disease-specific large language model chat interface using retrieval augmented generation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGe%2C+J+%22medRxiv%22">medRxiv</a>. , (2023).</li>
<li>Rule-augmented artificial intelligence-empowered systems for medical diagnosis using large language models. Panagoulias, D. P., et al. 2023 IEEE 35th International Conference on Tools with Artificial Intelligence (ICTAI), , 70-77 (2023).</li>
<li>Panagoulias, D. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Augmenting+large+language+models+with+rules+for+enhanced+domain-specific+interactions%3A+The+case+of+medical+diagnosis%5BTitle%5D)+AND+%22Electronics%22%5BJournal%5D)">Augmenting large language models with rules for enhanced domain-specific interactions: The case of medical diagnosis.</a> Electronics. 13 (2), 320(2024).</li>
<li>Jin, Q., et al. Matching patients to clinical trials with large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.15051">http://arxiv.org/abs/2307.15051</a> (2023).</li>
<li>Gupta, S. K., et al. PRISM: Patient records interpretation for semantic clinical trial matching using large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2404.15549">http://arxiv.org/abs/2404.15549</a> (2024).</li>
<li>Hendrycks, D., et al. Measuring massive multitask language understanding. arXiv [cs.CY]. , 
 <a target="_blank" href="http://arxiv.org/abs/2009.03300">http://arxiv.org/abs/2009.03300</a> (2020).</li>
<li>Lin, S., Hilton, J., Evans, O. TruthfulQA: Measuring how models mimic human falsehoods. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2109.07958">http://arxiv.org/abs/2109.07958</a> (2021).</li>
<li>Bommasani, R., Liang, P., Lee, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Holistic+evaluation+of+language+models%5BTitle%5D)+AND+%22Ann+N+Y+Acad+Sci%22%5BJournal%5D)">Holistic evaluation of language models.</a> Ann N Y Acad Sci. 1525 (1), 140-146 (2023).</li>
<li>Banerjee, D., Singh, P., Avadhanam, A., Srivastava, S. Benchmarking LLM powered Chatbots: Methods and Metrics. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.04624">http://arxiv.org/abs/2308.04624</a> (2023).</li>
<li>Papineni, K., Roukos, S., Ward, T., Zhu, W. -J. Bleu. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL '02. , (2001).</li>
<li>Wang, A., Singh, A., Michael, J., Hill, F., Levy, O., Bowman, S. R. Glue: A multi-task benchmark and analysis platform for natural language understanding. , 
 <a target="_blank" href="http://arxiv.org/abs/1804.07461">http://arxiv.org/abs/1804.07461</a> (2019).</li>
<li>Johnson, D., et al. Assessing the accuracy and reliability of AI-generated medical responses: An evaluation of the chat-GPT model. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJohnson%2C+D+%22Res+Sq%22">Res Sq</a>. , (2023).</li>
<li>Lin, C. -Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Text Summarization Branches Out. , 74-81 (2004).</li>
<li>Chen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+ChatGPT+family+of+models+for+biomedical+reasoning+and+classification%5BTitle%5D)+AND+%22J+Am+Med+Inform+Assoc%22%5BJournal%5D)">Evaluating the ChatGPT family of models for biomedical reasoning and classification.</a> J Am Med Inform Assoc. 31 (4), 940-948 (2024).</li>
</ol>

<table><tbody><tr><td>Pip3 גרסה 22.0.2&nbsp;</td><td></td><td></td><td></td></tr><tr><td>פייתון - Python גרסה 3.10.12</td><td></td><td></td><td></td></tr></tbody></table>

הגדלת מודלי שפה גדולים באמצעות הטבעות וקטוריות לשיפור ההיענות הספציפית לתחום

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

קבוצה של 22 פרסומים מהנחיות הניהול של קבוצת העבודה של הקונצנזוס של שיקגו שימשו להגדלת מודל הבסיס Llama-7b17. המסמכים הומרו לאינדקס וקטורי באמצעות הכלי Llama-Index ליצירת Llama-2-7b-CCWG-Embed. מודלים פופולריים של OpenAI כגון GPT-3.5 ו- GPT-4 הוגדלו גם הם באופן דומה כדי לייצר דגמי GPT-XX-CCWG-EMBED. בסך הכל פותחו 20 שאלות אמריקאיות (MCQ) כדי להעריך ידע הקשור לניהול מגוון של ממאירויות משטח הצפק. ה- MCQs נוצרו על ידי אונקולוג כירורגי מוסמך כדי לבדוק ברמת הידע המצופה מעמית אונקולוגיה כירורגית. הביצועים של Llama-2-7b-CCWG-Embed היו טובים משמעותית ממודל הבסיס (ראו טבלה 1), וכך גם מודלים משופרים של OpenAI. זו נחשבת לתוצאה חיובית עבור שיטה זו מכיוון שביצועי המודל השתפרו עם הגדלה בהשוואה לנקודת ההתחלה.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66796/66796fig01.jpg"> 
איור 1: סכמטי של יצירת מסד נתונים וקטורי ממאמרים אקדמיים. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig01large.jpg" target="_blank">לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66796/66796fig02.jpg"> 
איור 2: דיאגרמת מערכת כוללת עבור LLM רבודה. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig02large.jpg" target="_blank">לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66796/66796fig03.jpg"> 
איור 3: מודל Llama-2 רבודה הפועל במסוף לינוקס. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig03large.jpg" target="_blank">אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66796/66796fig04.jpg"> 
איור 4: תוצאת שאילתה ממודל Llama-2 רבודה. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig04large.jpg" target="_blank">לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>LLM</td>
			<td>ציון (% נכון)</td>
		</tr>
		<tr>
			<td>לאמה-2-7b-chat-hf</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>לאמה-2-7b-CCWG-Embed</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>Openchat-3.5-010618</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>מיסטרל-7B-v0.119</td>
			<td>70%</td>
		</tr>
		<tr>
			<td>GPT-3.5</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>GPT-3.5-CCWG-Embed</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4-CCWG-Embed</td>
			<td>90%</td>
		</tr>
	</tbody>
</table>
טבלה 1: ציונים (נכונים באחוזים) של LLMs שונים על קבוצה של 20 שאלות הנוגעות לניהול ממאירות הצפק.

Large language models (LLMs) have emerged as a popular resource for generating information relevant to a user query. Such models are created through a ...

augmenting-large-language-models-via-vector-embeddings-to-improve

Research

JoVE Journal

Medicine

רפואה

מאמר זה מתאר RUGGED (אחזור תחת הבחנה ניתנת להסבר של מחלה מונחית גרף), המשלב הסקת מודל שפה גדול (LLM) עם Retrieval-Augmented Generation (RAG). הוא שואב ראיות ממאגרי ידע ביו-רפואיים שנאספו על ידי מומחים ופרסומים ביו-רפואיים שנבדקו על ידי עמיתים כדי לסנתז ידע חדש ממידע עדכני, לזהות תחזיות הניתנות להסבר וניתנות לפעולה, ולאתר כיוונים מבטיחים לחקירות מונעות השערות.

סינתזת ידע מבוססת ראיות ואימות השערות: ניווט בבסיסי ידע ביו-רפואי באמצעות בינה מלאכותית ניתנת להסבר ומערכות סוכנים

אנו מציעים גישה מדויקת מבוססת חיזוק-למידה עבור מודלים לשוניים גדולים, המשתמשת במדד ההזיה של אנטי (EHI) כאות תגמול להפחתת הזיות ברמת הישות בסיכום טקסט. ניסויים על תמלולי פגישות מראים ששיטה זו משפרת את נאמנות ודיוק הישויות.

כיוונון מדויק של מודלים גדולים של שפה באמצעות אינדקס הזיות של ישויות לסיכום טקסט

התערבות RNA (RNAi) הוא בעל יתרונות רבים על פני בנוקאאוט הגן נעשה שימוש נרחב ככלי במחקרים גנים תפקודיים. המצאת ה-DNA וקטור מבוססי RNAi הטכנולוגיה הפכה לטווח ארוך הגן מושרה מציאה אפשרי, גם הגדילה את הכדאיות של השתקת...

וקטור מבוסס DNA התערבות RNA ללמוד לתפקד גנים סרטן

אנו חוקרים את השימוש בגירוי מגנטי Transcranial חוזר על עצמו (rTMS) כדי לשפר את יכולות שפה בחולים עם שבץ כרוני ואפזיה שאינם שוטפת. לאחר זיהוי אתר ברכס החזיתי הנכון עבור כל מטופל שמגיב בצורה אופטימלית לגירוי, אנחנו למקד את האתר הזה בעשרת ימים של טיפול rTMS.

ניצול גירוי מגנטי Transcranial חוזר כדי לשפר את תפקוד שפה בחולי שבץ עם אפזיה ללא רהוטה הכרונית

רוב המחקרים הכוללים את מנגנון לנגנדורף משתמשים במודלים של בעלי חיים קטנים בשל המורכבות המוגברת של מערכות עבור יונקים גדולים יותר. אנו מתארים מערכת לנגנדורף למודלים של בעלי חיים גדולים המאפשרת שימוש במגוון מינים, כולל בני אדם, ורכישת נתונים קלה יחסית.

מערכת העבודה לב מבודדת למודלים בבעלי חיים גדולים

פרוטוקול זה מתאר את היישום של אולטרסאונד בתדר גבוה (HFUS) לבלוטות לימפה בצוואר הרחם עכבר הדמיה. טכניקה זו מייעלת הדמיה וכימות של מורפולוגיה בלוטה לימפה בצוואר הרחם, נפח וזרימת דם. ביופסיה מונחה הדמיה של בלוטות לימפה בצוואר הרחם ועיבוד של רקמה לימפה להערכה היסטולוגית הוא הוכיח גם.

בתדירות גבוהה אולטראסאונד הדמיה של בלוטות לימפה עכבר צוואר הרחם

כתב יד זה מתאר כיצד העברת גנים מקומיים בתיווך וקטור ויראלי מספקת דרך אטרקטיבית לבטא טרנסגנים במערכת העצבים המרכזית.  הפרוטוקול מתאר את כל השלבים החיוניים לביצוע הזרקת וקטור ויראלי בחומר השחור של החולדה כדי לפתח מודל בעלי חיים מבוסס וקטור ויראלי למחלת פרקינסון.

פיתוח של מודל עכברוש מבוסס אלפא-synuclein עבור מחלת פרקינסון באמצעות הזרקת stereotactic של וקטור ויראלי הקשורים מוקטורים

יש דרישה לעשות ניסויים פרה-קליניים של בדיקות עבור מחלקה הרומן של תרופות היתום"בשם מלווים תרופתי לשחזור, מהיר ויעיל. פיתחנו assay המבוסס על תרבות של תאים פשוטים מאוד מתוקננת, תכליתי למסך המטופלים זכאים, כמו גם רומן המלווה תרופתי סמים.

במבחנה אנזים המדידה לנקודת מבחן תגובתיות המלווה תרופתי פאברי, מחלת הפומפה

Intratracheal (IT) המינהל של סוכנים ניסיוניים בעכברים לעתים קרובות מביא משלוח אסימטרי הריאות המרוחק.  בדוח זה, אנו מתארים גישה ישירה בלתי-מרורונצ'יאל (ליברות) כדי לאגור כל ריאה בעכברים חיים שאינם מבצעית.  גישה זו יכולה לשמש באופן סלקטיבי לניהול סוכנים לריאה אחת או להתאים כדי לשפר את מסירת הסוכן הסימטרי לשתי הריאות.

מינהל הארגון הישיר כדי לשפר את הסוכן הסלקטיבי התצהיר בתוך הריאה של העכבר

במודלים של בעלי מבחנה של אנגיוגנזה כלילית ניתן לעשות שימוש לגילוי המנגנון הסלולר והמולקולרי של אנגיוגנזה כלילית. באופן מתורבת תרבויות של הסינוס venosus ורקמות אנדוקרדיום להראות צמיחה חזקה בתגובה ל-ולהציג דפוס דומה של הביטוי הפיכה-TFII כמו ב vivo.

מודל מבחנה של אנגיוגנזה כלילית

למד כיצד לשפר את איכות התשובות של מודלי שפה גדולים באמצעות הטבעות וקטוריות של מאמרים מדעיים בתחום הבריאות. השיטה כוללת קוד להשוואת ביצועים בין מודלים שונים.

הגדלת מודלי שפה גדולים באמצעות הטבעות וקטוריות לשיפור ההיענות הספציפית לתחום

גלה סרטונים נוספים