提議的PALM-H3模型旨在簡化抗體設計，專注於生成針對特定抗原的人工抗體，特別是重鏈互補決定區域3（CDRH3），減少了從血清中分離天然抗體的需求，節省資源和時間。此外，A2binder模型可預測抗原與抗體的結合特異性。PALM-H3生成的抗體對SARS-CoV-2抗原，包括XBB變異株，顯示出高結合親和力和強中和能力。透過Roformer架構的注意力機制，增強了模型的可解釋性，為抗體設計提供了重要見解，代表抗體工程的一大進展。 PubMed DOI

最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

藥物開發傳統上是一個繁瑣且耗時的過程，主要依賴專業知識和反覆試驗。不過，隨著人工智慧（AI）特別是大型語言模型和生成式AI的興起，這個領域正迎來變革。AI技術提升了藥物開發各階段的效率，包括疾病靶點識別、藥物發現、臨床前及臨床研究，甚至上市後的監測。這篇文章探討了AI在藥物開發中的最新應用，並分析了目前仍面臨的挑戰，指出未來研究的潛力。 PubMed DOI

在2021年，AlphaFold 2 在蛋白質摺疊問題上取得重大突破，能準確預測超過兩億種蛋白質的三維結構，為大型語言模型（LLMs）在生命科學的應用鋪路。最近，我們進入一個新階段，這些先進的基礎模型在龐大數據集上預訓練，能處理蛋白質、RNA、DNA等生物分子的結構與相互作用。與傳統模型不同，新的生命大型語言模型（LLLMs）整合了多種分子生物學的知識，例如Evo模型，能預測基因變異對分子結構的影響，甚至生成新的DNA序列。 PubMed DOI

Llama-Gram是一個創新的AI框架，專為化學藥物發現設計，旨在克服傳統大型語言模型的限制，特別是避免不準確的輸出。它結合蛋白質摺疊嵌入和圖形分子表示，提升對蛋白質-配體相互作用的理解，對藥物開發至關重要。透過ESMFold模型和專用的圖形變壓器，Llama-Gram運用先進技術來提高預測準確性，並在化合物-靶標相互作用的預測上顯示出優勢，可能顯著加速藥物發現的進程。 PubMed DOI

抗體對免疫系統非常重要，能保護身體免受疾病侵害，包括癌症。從單克隆抗體到CAR-T細胞等先進療法，這個領域已經有了重大進展。最近，人工智慧（AI）的應用改變了抗體的設計與優化，透過大型語言模型和生成式AI，加速新抗體的生成，提升免疫反應的準確性，並增強治療效果。AI幫助預測和設計抗體序列、結構及相互作用，解決開發中的挑戰，提升治療的精確性與速度，為下一代癌症療法鋪路，改善精準醫療的治療結果。 PubMed DOI

**重點摘要：** 深度學習已經徹底改變了蛋白質結構預測的領域，成功彌補了大量蛋白質序列與有限實驗決定結構之間的落差。這篇綜述整理了主要的資料庫、深度學習與大型語言模型在蛋白質結構預測上的最新進展，並討論了這個領域未來的挑戰與機會，特別強調其對藥物發現與開發的影響。 PubMed DOI

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

生物合成因為環保又精準，越來越受重視。AI的加入大幅加快了生物合成的設計和優化，尤其在合成路徑規劃和酵素工程上很有幫助。即使資料有限，大型語言模型也展現潛力。不過，AI應用還有不少挑戰，未來在藥物、綠色化學等領域會更普及，但還需要持續研究突破。 PubMed DOI

生成式AI正加速新藥研發，能深入分析複雜生物和化學資料。這篇綜述介紹主流AI模型、分子表徵和評估方式，並說明在蛋白質交互、藥物設計等應用。雖然潛力大，但還有模型解釋性差、資料不足等挑戰。文中也建議用混合模型、資料增強、雲端運算等方法來突破，並強調跨領域合作的重要性。 PubMed DOI