人工智慧在藥物研發有潛力提升效率和準確性，但需注意數據品質、道德問題和限制。本文探討了人工智慧在藥物研發的優勢、挑戰和缺點，提出了克服障礙的策略。討論了數據擴增、可解釋的人工智慧、整合傳統方法等議題。評論指出人工智慧在藥物研發中的潛力，並提供實現這一潛力的見解。文章旨在測試ChatGPT協助人類作者撰寫評論文章的能力，人類作者將精煉人工智慧生成的內容以符合科學標準，同時討論利用人工智慧的優勢和限制。 PubMed DOI

大型語言模型的AI工具展現了機器自主生成知識的潛力，是通往通用人工智慧的重要一步。機器能理解文獻、解釋數據、提出科學問題。雖然AI能自學，但人類協助可加速學習，如模擬人類分析數據或辨識模式。個人AI助理可協助用戶，尤其在特定任務，如材料科學研究。 PubMed DOI

人工智慧（AI）正在快速改變生物醫學研究，加速解決問題並分析龐大數據。AI在藥物設計、毒理學和材料辨識上的應用，有潛力改革科學研究的設計、數據分析和溝通方式。像ChatGPT和Perplexity這樣的大型語言模型改變了科學家之間的互動和溝通方式。雖然AI帶來好處，但也有風險，例如保密性不足和潛在偏見。本評論討論了AI對生物醫學研究現況和未來影響，並強調了需要考慮的利弊。 PubMed DOI

藥物開發費用高達25億美元，討論了調整現有分子和創造新分子兩種方法。人工智慧在藥學領域帶來革命，尤其生成式人工智慧在藥物發現中備受矚目。探討了不同生成式人工智慧模型、應用、挑戰及潛力。強調了商業合作夥伴在藥物發現中的重要性。 PubMed DOI

整合生物資訊與健康記錄，革新生物醫學研究，提供全面洞察。探討不同數據整合方法，從人口生物庫到單細胞生物資訊，強調大型語言模型在數據整合中的重要性。呼籲共同努力推動精準醫學創新。 PubMed DOI

微生物細胞工廠（MCFs）利用合成生物學技術生產化合物，但傳統方法繁瑣。現在透過人工智慧（AI）快速處理生物數據，提高效率，改進微生物生產。AI改變了設計-構建-測試循環，帶來更好結果。本文討論AI在基因組注釋、蛋白工程、功能蛋白設計和微生物生產途徑預測的應用，也探討了挑戰和大型語言模型（LLMs）的潛力。 PubMed DOI

最近，人工智慧和自動化的進展正在徹底改變催化劑的發現與設計，從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動，促成了自駕實驗室的誕生，加速了材料研究的進程。近兩年，大型語言模型的興起也為這個領域帶來了更大的靈活性，改變了催化劑設計的方式，標誌著學科的革命性轉變。 PubMed DOI

這篇論文深入分析了AI在藥物開發中的進展，特別是針對小分子、RNA和抗體的應用。它探討了AI如何融入藥物開發流程，並回顧了目前臨床試驗中的藥物。論文指出，至今尚無AI設計的藥物獲得監管機構批准，並建議利用大型語言模型和擴散模型來克服這一挑戰。總體而言，論文強調了AI在藥物發現中的潛力，同時也討論了這個快速發展領域的挑戰與未來機會。 PubMed DOI

自動生成知識圖譜能有效提升資訊的組織性與可及性，並加速發現與創新。本研究介紹了一個利用大型語言模型在主動學習框架下創建大規模知識圖譜的流程，專注於生鮮食品、成分與化學物質的關係。透過迭代的主動學習策略，從155,260篇科學論文中提取了230,848個食品-化學成分關係，其中46%為新發現。此外，還利用鏈接預測模型發掘了355個新的食品-化學關係，顯示出強烈的發現潛力。這項研究展示了如何透過文獻進行大規模自動學習，促進實際應用的發展。 PubMed DOI

知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 PubMed DOI