Valutazione di ChatGPT e Gemini Large Language Models per la generazione di modelli farmacocinetici con SimBiology

I Large Language Models (LLMs) sono algoritmi di deep learning capaci di riconoscere, generare, riassumere, tradurre e prevedere contenuti utilizzando grandi set di dati. Tali algoritmi stanno apportando una forte spinta all’innovazione tecnologica in tutti i campi incluso quello dell’ingegneria biomedica. In questo campo, i modelli matematici rappresentano un potente strumento per descrivere il comportamento di sistemi biologici, tra cui quello metabolico. Nella modellazione del sistema metabolico, vengono spesso utilizzati i modelli farmacocinetici compartimentali basati su equazioni differenziali regolate dalla legge del bilancio di massa. L’obiettivo di questo lavoro di tesi è la valutazione di come gli strumenti di Intelligenza Artificiale (IA) Generativa basati su LLMs, quali ChatGPT e Gemini, possano supportare il processo di modellazione farmacocinetica. In particolare, si è valutato come tali strumenti siano in grado di generare istruzioni nell’ambito di SimBiology, strumento di MATLAB dedicato alla modellazione, simulazione e analisi di sistemi biologici. I risultati ottenuti mostrano che ChatGPT ha offerto una maggiore accuratezza e flessibilità nella generazione di codici MATLAB rispetto a quella prodotta da Gemini, sebbene entrambi abbiano presentato errori, sia strutturali che sintattici. In conclusione, l’intelligenza artificiale generativa rappresenta una promettente tecnologia per accelerare lo sviluppo di modelli; tuttavia, la completa automazione non risulta ancora possibile e richiede la supervisione umana per correggere gli errori e migliorare l’affidabilità.