研究：LLM提示词微调对药物毒性预测帮助有限，化学信息学代码提取特征更有效
一篇被CIBB 2026会议接受的论文发现，LLM在药物毒性预测中的自然变异超过提示词微调带来的改进；改用化学信息学代码提取特征后模型性能显著提升。
AI解读：这篇论文要解决的是药物毒性预测中LLM输出不稳定、难复现的问题。英国临床试验成本高达130万英镑，约90%的药物因毒性等问题失败，而LLM在提示词稍有改动时结果波动很大。作者测试了角色设定、提示结构和规则解释等提示工程手段，发现自然变异——即同一提示多次运行产生的随机差异——对结果的影响大于任何提示微调。真正有效的做法是绕开LLM的数值输出，改用化学信息学代码来提取分子特征，模型性能因此大幅提升。对做药物研发或计算毒理学的团队来说，这意味着不必在提示措辞上花太多精力调优，投入产出比低；更值得做的，是把LLM仅用于描述性任务，而把定量特征提取交给专门的化学信息学工具。论文建议其分析方法可推广到其他生物信息学任务，但结论基于摘要，具体实验规模和数据集尚未披露，效果提升幅度也未给出量化数字。
一篇被CIBB 2026会议接受的论文提出了一套分析提示工程对药物毒性预测影响的方法，并得出两个关键结论：LLM自身的自然变异对结果的影响超过了提示词微调带来的改进；用化学信息学代码提取分子特征，比采用LLM生成的数值能更显著地提升下游机器学习模型的性能。
论文标注为arXiv预印本，摘要中的背景数据是，英国临床试验成本最高可达130万英镑，药物失败率约90%，毒性是导致失败的主要因素之一；传统毒性测试耗时且昂贵。
研究方法是先让LLM在提示下识别对药物毒性预测有意义的化学性质，再构造三类提示分别考察角色设定（job role）、提示结构（prompt structuring）和规则解释（rule interpretation）的影响；随后用LLM根据识别出的特征生成数据集，交给机器学习算法训练。
作者强调，该分析方法的适用性不限于毒性预测，可以推广到生物信息学领域的多种提示类型。论文作者为Mia MacGregor、Aakash Welgamage Don和Mark Bartlett，发表于arXiv:2609.03635v1。