Ústav
Ústav informatiky a chemie (143)
ID
2028-143-11
Vedoucí
Ing. Martin Šícho, Ph.D.
Konzultant
prof. Daniel Svozil, Ph.D.
Aktuální studijní programy
B107-Bioinformatika a chemická informatika
Podstata a cíl práce
Tato bakalářská práce se zaměřuje na vývoj agentického AI systému pro plně či částečně automatizovanou anotaci molekulárních vlastností z vědecké literatury. Práce začíná podrobným přehledem dostupných nástrojů s otevřeným zdrojovým kódem určených pro tento účel, včetně poloautomatického postupu již vyvinutého na Ústavu informatiky a chemie. Na základě této analýzy budou vylepšeny a optimalizovány klíčové části procesu, zejména zpracování dokumentů, rozpoznávání molekulárních struktur, extrakce hodnot vlastností látek, normalizace jednotek a řešení nekonzistencí v datech. Stávající agenti a nástroje budou dále rozšířeny o pokročilé metody využívající velké jazykové modely. Konkrétně půjde o schopnosti uvažování, vyhledávání dodatečných informací, volání externích nástrojů z oblasti cheminformatiky. Systém bude následně reimplementován jako modulární a konfigurovatelný celek, který bude použitelný pro široké spektrum chemické literatury, nikoli pouze pro jednu konkrétní třídu sloučenin. Pro vyhodnocení výkonnosti při autonomním zpracování bude navržen vhodný srovnávací test (benchmark) využívající již manuálně zpracované záznamy z literatury. Očekávaným výstupem je rozšiřitelný, reprodukovatelný a vědecky spolehlivý pracovní postup, který urychlí tvorbu kvalitních datových sad molekulárních vlastností z nestrukturovaných vědeckých textů.
Náplň činnosti studenta
- Seznámení s principy agentů založených na LLM a přehled dostupných nástrojů pro automatickou extrakci dat z nestrukturovaných vědeckých textů.
- Přehled stávajícího poloautomatického systému vyvinutého na Ústavu informatiky a chemie pro těžbu dat o molekulárních vlastnostech specifické skupiny sloučenin.
- Vylepšení a optimalizace klíčových komponent pracovního postupu, včetně parsování dokumentů, rozpoznávání molekulárních struktur, extrakce hodnot vlastností, normalizace jednotek a zpracování nekonzistencí.
- Aktualizace stávajících agentů a nástrojů o nejmodernější metody uvažování, vyhledávání, volání nástrojů a chemoinformatické metody LLM.
- Reimplementace systému jako modulárního a konfigurovatelného systému použitelného pro širokou škálu vědecké literatury a tříd sloučenin.
- Návrh a vytvoření benchmarků, které se opírají buď o ručně upravené anotace molekulárních vlastností z vědeckých publikací, nebo o dostupná historická data propojená s původními publikacemi (např. PubChem nebo ChEMBL).
- Implementace vhodné strategie pro praktické nasazení řešení.
- Přehled stávajícího poloautomatického systému vyvinutého na Ústavu informatiky a chemie pro těžbu dat o molekulárních vlastnostech specifické skupiny sloučenin.
- Vylepšení a optimalizace klíčových komponent pracovního postupu, včetně parsování dokumentů, rozpoznávání molekulárních struktur, extrakce hodnot vlastností, normalizace jednotek a zpracování nekonzistencí.
- Aktualizace stávajících agentů a nástrojů o nejmodernější metody uvažování, vyhledávání, volání nástrojů a chemoinformatické metody LLM.
- Reimplementace systému jako modulárního a konfigurovatelného systému použitelného pro širokou škálu vědecké literatury a tříd sloučenin.
- Návrh a vytvoření benchmarků, které se opírají buď o ručně upravené anotace molekulárních vlastností z vědeckých publikací, nebo o dostupná historická data propojená s původními publikacemi (např. PubChem nebo ChEMBL).
- Implementace vhodné strategie pro praktické nasazení řešení.