参考文献
1. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al. Language models are few-shot learners. Advances in neural information processing systems 33, 1877-1901 (2020).
2. Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., et al. Gpt-4 technical report. arXiv preprint arXiv:2303.08774 (2023).
3. Reid, M., Savinov, N., Teplyashin, D., Lepikhin, D., Lillicrap, T., Alayrac, J.-b., Soricut, R., Lazaridou, A., Firat, O., Schrittwieser, J., et al. Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv preprint arXiv:2403.05530 (2024).
4. AI@Meta. Llama 3 Model Card. https://github.com/meta-llama/llama3/blob/main/MODEL_CARD.md (2024).
5. Anthropic, A. The Claude 3 Model Family: Opus, Sonnet, Haiku. Claude-3 Model Card (2024).
6. Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., 等。论基础模型的机遇与风险。arXiv 预印本 arXiv:2108.07258 (2021)。
7. Trinh, T. H., Wu, Y., Le, Q. V., He, H. & Luong, T. 无需人类演示求解奥林匹克几何问题。Nature 625, 476-482 (2024)。
8. Li, Y., Choi, D., Chung, J., Kushman, N., Schrittwieser, J., Leblond, R., Eccles, T., Keeling, J., Gimeno, F., Dal Lago, A., 等。使用 alphacode 进行竞赛级代码生成。Science 378, 1092-1097 (2022)。
9. Yang, J., Jimenez, C. E., Wettig, A., Lieret, K., Yao, S., Narasimhan, K. & Press, O. SWE-agent:智能体-计算机接口实现自动化软件工程 2024。
10. Khattab, O., Singhvi, A., Maheshwari, P., Zhang, Z., Santhanam, K., A, S. V., Haq, S., Sharma, A., Joshi, T. T., Moazam, H., Miller, H., Zaharia, M. & Potts, C. DSPy:将声明式语言模型调用编译为最先进的流水线,载于第十二届国际学习表征会议 (2024)。https://openreview.net/forum?id=sY5N0zY5Od。
11. Zaharia, M., Khattab, O., Chen, L., Davis, J. Q., Miller, H., Potts, C., Zou, J., Carbin, M., Frankle, J., Rao, N. & Ghodsi, A. 从模型到复合AI系统的转变 https://bair.berkeley.edu/blog/2024/02/18/compound-ai-systems/. 2024.
12. Zhou, Y., Muresanu, A. I., Han, Z., Paster, K., Pitis, S., Chan, H. & Ba, J. 大型语言模型是人类水平的提示工程师,载于第十一届国际学习表征会议 (2023). https://openreview.net/forum?id=92gvk82DE-.
13. Krizhevsky, A., Sutskever, I. & Hinton, G. E. 使用深度卷积神经网络的ImageNet分类. 神经信息处理系统进展 25 (2012).
14. Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Zidek, A., Potapenko, A., 等. 使用AlphaFold进行高精度蛋白质结构预测. Nature 596, 583-589 (2021).
15. Fawzi, A., Balog, M., Huang, A., Hubert, T., Romera-Paredes, B., Barekatain, M., Novikov, A., R Ruiz, F. J., Schrittwieser, J., Swirszcz, G., 等. 使用强化学习发现更快的矩阵乘法算法. Nature 610, 47-53 (2022).
16. Mankowitz, D. J., Michi, A., Zhernov, A., Gelmi, M., Selvi, M., Paduraru, C., Leurent, E., Iqbal, S., Lespiau, J.-B., Ahern, A., 等. 使用深度强化学习发现更快的排序算法. Nature 618, 257-263 (2023).
17. Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G. & Cubuk, E. D. 扩展深度学习用于材料发现. Nature 624, 80-85 (2023).
18. Goodfellow, I., Bengio, Y. & Courville, A. 深度学习 (MIT press, 2016).
19. Rumelhart, D. E., Hinton, G. E. & Williams, R. J. 通过反向传播误差学习表征. Nature 323, 533-536 (1986).
.
20. Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S. & Darrell, T. Caffe:用于快速特征嵌入的卷积架构. arXiv预印本 arXiv:1408.5093 (2014).
21. Bergstra, J., Breuleux, O., Bastien, F., Lamblin, P., Pascanu, R., Desjardins, G., Turian, J., Warde-Farley, D. & Bengio, Y. Theano:一个CPU和GPU数学表达式编译器,载于Python科学计算会议(SciPy)论文集 (2010).
22. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., 等. TensorFlow:一个用于大规模机器学习的系统,载于第12届USENIX操作系统设计与实现研讨会(OSDI 16)(2016), 265-283.
23. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., 等. PyTorch:一种命令式风格的高性能深度学习库. 神经信息处理系统进展 32 (2019).
24. Collobert, R., Bengio, S. & Mariéthoz, J. Torch:一个模块化机器学习软件库 (2002).
25. Pryzant, R., Iter, D., Li, J., Lee, Y., Zhu, C. & Zeng, M. 使用“梯度下降”和束搜索进行自动提示优化,载于2023年自然语言处理经验方法会议论文集 (eds Bouamor, H., Pino, J. & Bali, K.) (计算语言学协会,新加坡,2023年12月), 7957-7968. https://aclanthology.org/2023.emnlp-main.494.
26. Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K. & Yao, S. Reflexion:具有言语强化学习的语言智能体,载于神经信息处理系统进展 36 (2023). https://proceedings.neurips.cc/paper_files/paper/2023/file/1b44b878b78e6954cd888628510e90-Paper-Conference.pdf.
27. Rein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J. & Bowman, S. R. GPQA:一个研究生水平的、谷歌搜不到的问答基准. arXiv预印本 arXiv:2311.12022 (2023).
28. Li, X., Zhang, T., Dubois, Y., Taori, R., Gulrajani, I., Guestrin, C., Liang, P. & Hashimoto, T. B. Alpaca-Eval:一个指令遵循模型的自动评估器 2023.
29. Bai, Y., Jones, A., Ndousse, K., Askell, A., Chen, A., DasSarma, N., Drain, D., Fort, S., Ganguli, D., Henighan, T., 等. 通过人类反馈强化学习训练一个有用且无害的助手. arXiv预印本 arXiv:2204.05862 (2022).
30. Madaan, A., Tandon, N., Gupta, P., Hallinan, S., Gao, L., Wiegreffe, S., Alon, U., Dziri, N., Prabhumoye, S., Yang, Y., 等. Self-Refine:通过自我反馈进行迭代改进. 神经信息处理系统进展 36 (2024).
31. Stiennon, N., Ouyang, L., Wu, J., Ziegler, D., Lowe, R., Voss, C., Radford, A., Amodei, D. & Christiano, P. F. 通过人类反馈学习摘要. 神经信息处理系统进展 33, 3008-3021 (2020).
32. Yuan, W., Pang, R. Y., Cho, K., Sukhbaatar, S., Xu, J. & Weston, J. 自我奖励的语言模型. arXiv预印本 arXiv:2401.10020 (2024).
33. Dubois, Y., Li, C. X., Taori, R., Zhang, T., Gulrajani, I., Ba, J., Guestrin, C., Liang, P. S. & Hashimoto, T. B. AlpacaFarm:一个用于从人类反馈中学习方法的模拟框架. 神经信息处理系统进展 36 (2024).
34. Bottou, L. 使用随机梯度下降的大规模机器学习. COMPSTAT'2010论文集, 177-186 (2010).
35. Boyd, S., Boyd, S. P. & Vandenberghe, L. 凸优化 (剑桥大学出版社, 2004).
36. Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., 等. 通过人类反馈训练语言模型遵循指令. 神经信息处理系统进展 35, 27730-27744 (2022).
37. Wei, J., Bosma, M., Zhao, V., Guu, K., Yu, A. W., Lester, B., Du, N., Dai, A. M. & Le, Q. V. 微调语言模型是零样本学习器,载于国际学习表征会议 (2022). https://openreview.net/forum?id=gEZrGCozdqR.
38. Yuksekgonul, M., Chandrasekaran, V., Jones, E., Gunasekar, S., Naik, R., Palangi, H., Kamar, E. & Nushi, B. 注意力满足:从约束满足视角看语言模型的事实错误,载于第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=gFfVATffPd.
39. Abdin, M. I., Gunasekar, S., Chandrasekaran, V., Li, J., Yuksekgonul, M., Peshawaria, R. G., Naik, R. & Nushi, B. KITAB:在第十二届国际学习表征会议上评估LLM在信息检索中的约束满足能力(2024)。https://openreview.net/forum?id=b3kDP3IytM。
40. Polyak, B. T. 加速迭代方法收敛的若干方法。USSR计算数学与数学物理学 4, 1-17 (1964)。
41. Sutskever, I., Martens, J., Dahl, G. & Hinton, G. 论初始化与动量在深度学习中的重要性,载于国际机器学习会议(2013),1139-1147。
42. Sun, Y., Wang, X., Liu, Z., Miller, J., Efros, A. & Hardt, M. 基于自监督的测试时训练用于分布偏移下的泛化,载于第37届国际机器学习会议论文集(PMLR,2020)。https://proceedings.mlr.press/v119/sun20b.html。
43. Sun, Y., Li, X., Dalal, K., Hsu, C., Koyejo, S., Guestrin, C., Wang, X., Hashimoto, T. & Chen, X. 学习(在测试时学习)。arXiv预印本 arXiv:2310.13807 (2023)。
44. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K. R. & Cao, Y. ReAct:在语言模型中协同推理与行动,载于第十一届国际学习表征会议(2023)。https://openreview.net/forum?id=WE_vluYU-X。
45. Hendrycks, D., Burns, C., Basart, S., Zou, A., Mazeika, M., Song, D. & Steinhardt, J. 在国际学习表示会议中测量大规模多任务语言理解 (2021)。https://openreview.net/forum?id=d7KBjmI3GmQ。
46. Kojima, T., Gu, S. S., Reid, M., Matsuo, Y. & Iwasawa, Y. 大型语言模型是零样本推理器。神经信息处理系统进展 35, 22199-22213 (2022)。
47. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., Zhou, D., et al. 思维链提示引发大型语言模型中的推理。神经信息处理系统进展 35, 24824-24837 (2022)。
48. OpenAI. 你好 GPT-4o 访问日期:2024-05-18。2024。https://openai.com/index/hello-gpt-4o/。
49. Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H. & Neubig, G. 预训练、提示和预测:自然语言处理中提示方法的系统综述。ACM 计算综述 55, 1-35 (2023)。
50. Suzgun, M., Scales, N., Schärli, N., Gehrmann, S., Tay, Y., Chung, H. W., Chowdhery, A., Le, Q., Chi, E., Zhou, D. & Wei, J. 挑战 BIG-Bench 任务以及思维链能否解决它们,载于计算语言学协会发现:ACL 2023 (计算语言学协会,加拿大多伦多,2023年7月)。https://aclanthology.org/2023.findings-acl.824。
51. Srivastava, A. et al. 超越模仿游戏:量化和外推语言模型的能力。机器学习研究汇刊。ISSN:2835-8856。https://openreview.net/forum?id=uyTL5Bvosj (2023)。
52. Cobbe, K., Kosaraju, V., Bavarian, M., Chen, M., Jun, H., Kaiser, L., Plappert, M., Tworek, J., Hilton, J., Nakano, R., Hesse, C. & Schulman, J. 训练验证器以解决数学应用题。arXiv 预印本 arXiv:2110.14168 (2021)。
53. Nicolaou, C. A. & Brown, N. 药物设计中的多目标优化方法。今日药物发现:技术 10, e427-e435 (2013)。
54. Hoelder, S., Clarke, P. A. & Workman, P. 小分子抗癌药物的发现:成功、挑战和机遇。分子肿瘤学 6, 155-176 (2012)。
55. Kontoyianni, M. 药物发现中的对接和虚拟筛选。药物发现蛋白质组学:方法和协议, 255-266 (2017)。
56. Agarwal, S. & Mehrotra, R. 分子对接概述。JSM 化学 4, 1024-1028 (2016)。
57. Trott, O. & Olson, A. J. AutoDock Vina:通过新的评分函数、高效优化和多线程提高对接的速度和准确性。计算化学杂志 31, 455-461 (2010)。
58. Ursu, O., Rayan, A., Goldblum, A. & Oprea, T. I. 理解类药性。Wiley 跨学科评论:计算分子科学 1, 760-781 (2011)。
59. Bickerton, G. R., Paolini, G. V., Besnard, J., Muresan, S. & Hopkins, A. L. 量化药物的化学美感。自然化学 4, 90-98 (2012)。
60. Bender, B. J., Gahbauer, S., Lutens, A., Lyu, J., Webb, C. M., Stein, R. M., Fink, E. A., Balius, T. E., Carlsson, J., Irwin, J. J., et al. 大规模对接实用指南。自然协议 16, 4799-4832 (2021)。
61. García-Ortegón, M., Simm, G. N., Tripp, A. J., Hernández-Lobato, J. M., Bender, A. & Bacallado, S. DOCKSTRING:简易分子对接为配体设计产生更好的基准。化学信息与建模杂志 62, 3486-3502 (2022)。
62. Khan, F. M., Sperduto, P. W. & Gibbons, J. P. Khan 的放射肿瘤学治疗计划:。(Lippincott Williams & Wilkins, 2021)。
63. Webb, S. IMRT 和逆向计划的物理基础。英国放射学杂志 76, 678-689 (2003)。
64. Hussein, M., Heijmen, B. J. M., Verellen, D. & Nisbet, A. 调强放射治疗计划中的自动化——近期创新综述。英国放射学杂志 91, 20180270。ISSN:0007-1285。(2024) (2018年12月)。
65. Wieser, H.-P., Cisternas, E., Wahl, N., Ulrich, S., Stadler, A., Mescher, H., Müller, L.-R., Klinge, T., Gabrys, H., Burigo, L., et al. 开源剂量计算和优化工具包 matRad 的开发。医学物理学 44, 2556-2568 (2017)。
66. Nori, H., Lee, Y. T., Zhang, S., Carignan, D., Edgar, R., Fusi, N., King, N., Larson, J., Li, Y., Liu, W., et al. 通用基础模型能否超越专用调优?医学案例研究。arXiv 预印本 arXiv:2311.16452 (2023)。
67. Shin, T., Razeghi, Y., Logan IV, R. L., Wallace, E. & Singh, S. AutoPrompt:使用自动生成的提示从语言模型中引出知识,载于2020年自然语言处理经验方法会议 (EMNLP) 论文集 (计算语言学协会,在线,2020年11月), 4222-4235。https://aclanthology.org/2020.emnlp-main.346。
68. Jia, M., Tang, L., Chen, B.-C., Cardie, C., Belongie, S., Hariharan, B. & Lim, S.-N. 视觉提示调优,载于欧洲计算机视觉会议 (2022), 709-727。
69. Li, X. L. & Liang, P. 前缀调优:优化连续提示以进行生成,载于计算语言学协会第59届年会和第11届国际自然语言处理联合会议论文集 (第1卷:长论文) (计算语言学协会,在线,2021年8月), 4582-4597。https://aclanthology.org/2021.acl-long.353。
70. Chen, X., Zhang, N., Xie, X., Deng, S., Yao, Y., Tan, C., Huang, F., Si, L. & Chen, H. Knowprompt:具有协同优化的知识感知提示调优用于关系抽取,载于2022年ACM Web会议论文集 (2022), 2778-2788。
71. Ye, Q., Axmed, M., Pryzant, R. & Khani, F. 为提示工程师进行提示工程。arXiv 预印本 arXiv:2311.05661 (2023)。
72. Khattab, O., Santhanam, K., Li, X. L., Hall, D., Liang, P., Potts, C. & Zaharia, M. 演示-搜索-预测:为知识密集型NLP组合检索和语言模型。arXiv 预印本 arXiv:2212.14024 (2022)。
73. Singhvi, A., Shetty, M., Tan, S., Potts, C., Sen, K., Zaharia, M. & Khattab, O. DSPy Assertions:自精炼语言模型管道的计算约束。arXiv 预印本 arXiv:2312.13382 (2023)。
74. Yang, C., Wang, X., Lu, Y., Liu, H., Le, Q. V., Zhou, D. & Chen, X. 大型语言模型作为优化器,载于第十二届国际学习表示会议 (2024)。https://openreview.net/forum?id=Bb4VGOWELI。
75. Song, X., Tian, Y., Lange, R. T., Lee, C., Tang, Y. & Chen, Y. 立场:利用基础模型进行黑盒优化 2024。arXiv:2405.03547 [cs.LG]。
76. Liu, T., Astorga, N., Seedat, N. & van der Schaar, M. 大型语言模型增强贝叶斯优化,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=00xotBmGol。
77. Wang, R., Zelikman, E., Poesia, G., Pu, Y., Haber, N. & Goodman, N. 假设搜索:基于语言模型的归纳推理,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=G7UtIGQmjm。
78. Gao, L., Dai, Z., Pasupat, P., Chen, A., Chaganty, A. T., Fan, Y., Zhao, V., Lao, N., Lee, H., Juan, D.-C. & Guu, K. RARR:利用语言模型研究和修订语言模型所言,载于《第61届计算语言学协会年会论文集(第1卷:长论文)》(计算语言学协会,加拿大多伦多,2023年7月),16477-16508。https://aclanthology.org/2023.acl-long.910。
79. Chen, X., Lin, M., Schärli, N. & Zhou, D. 教大型语言模型自我调试,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=KuPixIQPiq。
80. Shypula, A. G., Madaan, A., Zeng, Y., Alon, U., Gardner, J. R., Yang, Y., Hashemi, M., Neubig, G., Ranganathan, P., Bastani, O. & Yazdanbakhsh, A. 学习提升性能的代码编辑,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=ix7rLVHXyY。
81. Chase, H. LangChain 2022年10月17日. https://github.com/langchain-ai/langchain.
82. Liu, J. LlamaIndex https://github.com/jerryjliu/llamaindex.2022.
83. Schick, T., Dwivedi-Yu, J., Dessi, R., Raileanu, R., Lomeli, M., Hambro, E., Zettlemoyer, L., Cancedda, N. & Scialom, T. Toolformer:语言模型可以自学使用工具. 神经信息处理系统进展 36 (2024).
84. Press, O., Zhang, M., Min, S., Schmidt, L., Smith, N. & Lewis, M. 测量并缩小语言模型中的组合性差距 in 计算语言学协会发现:EMNLP 2023 (计算语言学协会,新加坡,2023年12月), 5687-5711. https://aclanthology.org/2023.findings-emnlp.378.
85. Zelikman, E., Wu, Y., Mu, J. & Goodman, N. STaR:用推理引导推理 in 神经信息处理系统进展 (eds Koyejo, S., Mohamed, S., Agarwal, A., Belgrave, D., Cho, K. & Oh, A.) 35 (Curran Associates, Inc., 2022), 15476-15488. https://proceedings.neurips.cc/paper_files/paper/2022/file/639a9a172c044fbb64175b5fad42e9a5-Paper-Conference.pdf.
86. Huang, J., Gu, S., Hou, L., Wu, Y., Wang, X., Yu, H. & Han, J. 大型语言模型可以自我改进 in 2023年自然语言处理经验方法会议论文集 (eds Bouamor, H., Pino, J. & Bali, K.) (计算语言学协会,新加坡,2023年12月). https://aclanthology.org/2023.emnlp-main.67.
87. Yang, K., Tian, Y., Peng, N. & Klein, D. Re3:通过递归重提示和修订生成长篇故事 in 2022年自然语言处理经验方法会议论文集 (计算语言学协会,2022年12月). https://aclanthology.org/2022.emnlp-main.296.
88. Xie, Y., Kawaguchi, K., Zhao, Y., Zhao, X., Kan, M.-Y., He, J. & Xie, Q. 自评估引导的束搜索用于推理 in 第三十七届神经信息处理系统会议 (2023). https://openreview.net/forum?id=Bw82hwg5Q3.
89. Paul, D., Ismayilzada, M., Peyrard, M., Borges, B., Bosselut, A., West, R. & Faltings, B. REFINER:对中间表示的推理反馈 in 欧洲计算语言学协会分会第18届会议论文集(第1卷:长论文) (计算语言学协会,2024年3月). https://aclanthology.org/2024.eacl-long.67. 90. Zhao, A., Huang, D., Xu, Q., Lin, M., Liu, Y.-J. & Huang, G. Expel:LLM智能体是经验学习者 in AAAI人工智能会议论文集 38 (2024), 19632-19642. 91. Le, H., Chen, H., Saha, A., Gokul, A., Sahoo, D. & Joty, S. CodeChain:通过具有代表性子模块的自我修订链实现模块化代码生成 in 第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=vYhglxSj8j. 92. Robbins, H. & Monro, S. 一种随机逼近方法. 数理统计年鉴, 400-407 (1951). 93. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Kuttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., et al. 面向知识密集型NLP任务的检索增强生成. 神经信息处理系统进展 33, 9459-9474 (2020). 94. Robert, C. P. & Casella, G. 模拟与蒙特卡罗方法. Springer统计学教材系列, New York: Springer 2 (1999). 95. Kingma, D. & Ba, J. Adam:一种随机优化方法 in 国际学习表征会议 (ICLR) (San Diega, CA, USA, 2015). 96. Lightman, H., Kosaraju, V., Burda, Y., Edwards, H., Baker, B., Lee, T., Leike, J., Schulman, J., Sutskever, I. & Cobbe, K. 让我们逐步验证 in 第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=v8L0pN6E0i. 97. Schmidhuber, J. 自指学习中的进化原理 博士论文 (慕尼黑工业大学, 1987). 98. Thrun, S. & Pratt, L. in 学会学习 3-17 (Springer, 1998). 99. Finn, C., Abbeel, P. & Levine, S. 模型无关元学习用于深度网络的快速适应 in 第34届国际机器学习会议论文集 (2017). 100. RDKit:开源化学信息学 http://www.rdkit.org. 101. Hughes, J. P., Rees, S., Kalindjian, S. B. & Philpott, K. L. 早期药物发现原理. 英国药理学杂志 162, 1239-1249 (2011). 102. Wenlock, M. C., Austin, R. P., Barton, P., Davis, A. M. & Leeson, P. D. 开发阶段与已上市口服药物理化性质概况的比较. 药物化学杂志 46, 1250-1256 (2003). 103. Knox, C., Wilson, M., Klinger, C. M., Franklin, M., Oler, E., Wilson, A., Pon, A., Cox, J., Chin, N. E., Strawbridge, S. A., et al. Drugbank 6.0:面向2024年的DrugBank知识库. 核酸研究 52, D1265-D1275 (2024). 104. Berry, M., Fielding, B. & Gamieldien, J. 虚拟筛选和分子对接中的实践考虑. 计算生物学、生物信息学和系统生物学的新兴趋势, 487 (2015). 105. Birhane, A., Kasirzadeh, A., Leslie, D. & Wachter, S. 大型语言模型时代的科学. 自然综述物理学 5, 277-280 (2023). 106. Nikolova, N. & Jaworska, J. 化学相似性度量方法——综述. QSAR与组合科学 22, 1006-1026 (2003). 107. Gaulton, A., Bellis, L. J., Bento, A. P., Chambers, J., Davies, M., Hersey, A., Light, Y., McGlinchey, S., Michalovich, D., Al-Lazikani, B., et al. ChEMBL:用于药物发现的大规模生物活性数据库. 核酸研究 40, D1100-D1107 (2012). 108. Swanson, K., Walther, P., Leitz, J., Mukherjee, S., Wu, J. C., Shivnaraie, R. V. & Zou, J. ADMET-AI:用于评估大规模化学库的机器学习ADMET平台. bioRxiv, 2023-12 (2023).
109. Xing, L., Li, J. G., Donaldson, S., Le, Q. T. & Boyer, A. L. 逆向计划中重要性因子的优化. 医学与生物学中的物理学 44, 2525. ISSN: 0031-9155. (2024) (1999年10月).