Использование возможностей искусственного интеллекта в иммунологии: от обзора литературы до статистической обработки и анализа полученных данных
- Авторы: Бердюгина О.В.1
-
Учреждения:
- ФГБУН «Институт иммунологии и физиологии» Уральского отделения Российской академии наук
- Выпуск: Том 28, № 3 (2025)
- Страницы: 355-362
- Раздел: КРАТКИЕ СООБЩЕНИЯ
- URL: https://journal-vniispk.ru/1028-7221/article/view/319868
- DOI: https://doi.org/10.46235/1028-7221-17100-UOA
- ID: 319868
Цитировать
Полный текст
Аннотация
Традиционное изучение литературы, использование стандартных методов анализа данных в иммунологии занимает значительное время, не всегда позволяя справиться с масштабом и сложностью проблемы. Искусственный интеллект может помочь в решении этого вопроса, автоматизируя процессы поиска и экспертизы актуальных сведений, позволяя ученым извлекать важные факты из больших объемов информации. Целью исследования стало определение потенциала искусственного интеллекта в иммунологических исследованиях с акцентом на автоматизацию сбора литературных данных и анализ цифровых сведений. Теоретическая часть работы основана на изучении материалов баз PubMed, Scopus, Google Scholar, ResearchGate за 2000-2025 годы, тип – оригинальная статья или обзор литературы. Основа стратегии поиска – использование ключевых слов, процесс отбора публикаций заключался в скрининге заголовков, аннотаций и полных текстов исследований. Практическая часть работы выполнена как сравнительный анализ результатов, ранее изученных данных, с выводами, полученными при использовании технологий искусственного интеллекта, на примерах моделей GPT v.4.0. Установлено, что технологи искусственного интеллекта могут быть полезны в работе над созданием обзора литературы по иммунологии, включая формирование резюме, синтез графиков и схем, визуализирующих новые сигнальные пути, взаимосвязи между клетками, факторы развития заболеваний. Помимо работы с текстами, искусственный интеллект может быть применен для статистической обработки и анализа цифровых данных, например, выявления закономерностей, решения вопросов прогнозирования, построения моделей, рассмотрения других более сложных задач. При сравнении ранее изученных данных с результатами использования GPT v.4.0 установлено, что у разных чат-ботов могут встречаться следующие недостатки: зависимость ответа от стиля формулирования запроса, синтез информации в очень обобщенном виде, создание небольших объемов текста (до 1000 слов), риск плагиата, сложности с синтезом рисунков, схем, таблиц, представление исчерпывающей информации преимущественно на английском языке, самостоятельное синтезирование несуществующих ссылок на литературные источники. Выводы: 1. Искусственный интеллект может преобразовать иммунологические исследования, позволяя проводить более эффективный обзор литературы и более глубокий анализ данных, однако на начальных этапах требуется экспертный надзор. 2. По мере развития технологий искусственного интеллекта они станут неотъемлемой частью инструментария иммунолога.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Ольга Викторовна Бердюгина
ФГБУН «Институт иммунологии и физиологии» Уральского отделения Российской академии наук
Автор, ответственный за переписку.
Email: berolga73@rambler.ru
ORCID iD: 0000-0003-3479-9730
SPIN-код: 5230-7435
д.б.н., ведущий научный сотрудник лаборатории иммунологии воспаления
Россия, г. ЕкатеринбургСписок литературы
- Бердюгина O.В., Гусев Е.Ю. Холекальциферол в роли средства неспецифической иммунопрофилактики COVID-19 // Медицинская иммунология, 2023, Т. 25, № 4. С. 823-830. [Berdiugina O.V., Gusev E.Yu Cholecalciferol as a means of nonspecific immunoprophylaxis against COVID-19. Meditsinskaya immunologiya = Medical Immunology (Russia), 2023, Vol. 25, no. 4, pp. 823-830. (In Russ.)] doi: 10.15789/1563-0625-CAA-2849.
- Abd-Alrazaq A., Schneider J., Mifsud B., Alam T., Househ M., Hamdi M., Shah Z. A comprehensive overview of the COVID-19 literature: machine learning-based bibliometric analysis. J. Med. Internet Res., 2021, Vol. 23, no. 3, e23703. doi: 10.2196/23703.
- Crispino A., Varricchio S., Ilardi G., Russo D., Di Crescenzo R.M., Staibano S., Merolla F. A Digital workflow for automated assessment of tumor-infiltrating lymphocytes in oral squamous cell carcinoma using QuPath and a StarDist-based model. Pathologica, 2024, Vol. 116, no. 6, pp. 390-403.
- D’Elia D., Truu J., Lahti L., Berland M., Papoutsoglou G., Ceci M., Zomer A., Lopes M.B., Ibrahimi E., Gruca A., Nechyporenko A., Frohme M., Klammsteiner T., Pau E.C.S., Marcos-Zambrano L.J., Hron K., Pio G., Simeon A., Suharoschi R., Moreno-Indias I., Temko A., Nedyalkova M., Apostol E.-S., Truică C.-O., Shigdel R., Telalović J.H., Bongcam-Rudloff E., Przymus P., Jordamović N.B., Falquet L., Tarazona S., Sampri A., Isola G., Pérez-Serrano D., Trajkovik V., Klucar L., Loncar-Turukalo T., Havulinna A.S., Jansen C., Bertelsen R.J., Claesson M.J. Advancing microbiome research with machine learning: key findings from the ML4Microbiome COST action. Front. Microbiol., 2023, Vol. 14, 1257002. doi: 10.3389/fmicb.2023.1257002.
- Elste J., Saini A., Mejia-Alvarez R., Mejía A., Millán-Pacheco C., Swanson-Mungerson M., Tiwari V. Significance of artificial intelligence in the study of virus-host cell interactions. Biomolecules, 2024, Vol. 14, no. 8, 911. doi: 10.3390/biom14080911.
- Gupta L., Gasparyan A.Y., Misra D.P., Agarwal V., Zimba O., Yessirkepov M. Information and misinformation on COVID-19: a cross-sectional survey study. J. Korean Med. Sci., 2020, Vol. 35, no. 27, e256. doi: 10.3346/jkms.2020.35.e256.
- Kirouac D.C., Saez-Rodriguez J., Swantek J., Burke J.M., Lauffenburger D.A., Sorger P.K. Creating and analyzing pathway and protein interaction compendia for modelling signal transduction networks. BMC Syst. Biol., 2012, Vol. 6, 29. doi: 10.1186/1752-0509-6-29.
- Kryś J.D., Głowacki M., Śmieja P., Gront D. deepBBQ: A deep learning approach to the protein backbone reconstruction. Biomolecules, 2024, Vol. 14, no. 11, 1448. doi: 10.3390/biom14111448.
- Kumar A., Dixit S., Srinivasan K., M D., Vincent P.M.D.R. Personalized cancer vaccine design using AI-powered technologies. Front. Immunol., 2024, Vol. 15, 1357217. doi: 10.3389/fimmu.2024.1357217.
- Liang X., Zhou R., Li Y., Yang L., Su M., Lai K.P. Clinical characterization and therapeutic targets of vitamin A in patients with hepatocholangiocarcinoma and coronavirus disease. Aging, 2021, Vol. 13, no. 12, pp. 15785-15800. doi: 10.18632/aging.203220.
- Mohammad Piri S., Amin Habibi M., Shool S., Khazaeli Najafabadi M., Ahmadpour S., Alemi F., Aria Nejadghaderi S., Shokri P., Abdi M., Asghari N., Amir Asef-Agah S., Tavakolpour S. Role of T follicular helper cells in autoimmune rheumatic Diseases: A systematic review on immunopathogenesis and response to treatment. Hum. Immunol., 2024, Vol. 85, no. 5, 110838. doi: 10.1016/j.humimm.2024.110838.
- Stadler M., Horrer A., Fischer M.R. Crafting medical MCQs with generative AI: A how-to guide on leveraging ChatGPT. GMS J. Med. Educ., 2024, Vol. 41, no. 2, 20. doi: 10.3205/zma001675.
- Wolf J., Rasmussen D.K., Sun Y.J., Vu J.T., Wang E., Espinosa C., Bigini F., Chang R.T., Montague A.A., Tang P.H., Mruthyunjaya P., Aghaeepour N., Dufour A., Bassuk A.G., Mahajan V.B. Liquid-biopsy proteomics combined with AI identifies cellular drivers of eye aging and disease in vivo. Cell, 2023, Vol. 186, no. 22, pp. 4868-4884.e12.
- Wong D.S.H., Santos A.F. The future of food allergy diagnosis. Front. Allergy, 2024, Vol. 5, 1456585. doi: 10.3389/falgy.2024.1456585.
- Xiang Z., Hu J., Bu S., Ding J., Chen X., Li Z. Machine learning based prediction models for the prognosis of COVID-19 patients with DKA. Sci. Rep., 2025, Vol. 15, no. 1, 2633. doi: 10.1038/s41598-025-85357-9.
Дополнительные файлы
