大型語言模型如ChatGPT在生物醫學和健康領域有應用潛力，包括資訊檢索、問答、文摘、信息提取和教育。進展明顯，但仍有限。語言模型或許可加速醫療發現和改善健康，但需解決虛假資訊和隱私問題。調查旨在提供機會和挑戰概述，協助了解語言模型在生物醫學和健康領域的應用。 PubMed DOI

大型語言模型如ChatGPT在生物醫學和健康領域有潛力，可應用於信息檢索、問答和文本摘要。儘管在文本生成上進展明顯，其他領域仍有挑戰。LLM對改變生物醫學有潛力，但需處理虛假資訊和隱私風險。調查提供研究人員和醫療專業人員使用ChatGPT等模型轉變生物醫學和健康領域的見解。 PubMed DOI

大型語言模型（LLMs）是強大的人工智慧模型，應用在自然語言處理等任務上表現優異。透過深度學習技術，利用龐大數據訓練神經網絡的參數。LLMs在生物資訊領域展現潛力，可能超越語言建模能力。本文討論了知名的LLMs如BERT和GPT在生物資訊中的應用，包括基因組學、轉錄組學、蛋白質組學、藥物發現和單細胞分析，並強調了LLMs在應對生物資訊挑戰上的潛力。 PubMed DOI

研討會討論人工智慧在生物醫學領域的應用，包括放射組學、分子結構、蛋白質-配體相互作用和醫學決策。強調語言模型生成分子結構和醫學決策的道德考量，並整合多組學和臨床數據揭示低劑量電離輻射的健康影響。未來將持續舉辦研討會，專注於低劑量輻射防護研究中的人工智慧應用。 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

LLMs在數位病理學中的應用引起關注，但面臨挑戰如解釋性問題、偏見、道德與監管。醫療專業人員參與數據選擇、模型調整、進行研究與合作是必要的，以負責任地整合LLMs於診斷醫學中。解決這些挑戰對成功實施至關重要。 PubMed DOI

單細胞組學技術進步，改變細胞研究。干擾建模探討外部因素影響，利用轉錄因子、信號傳遞。機器學習可預測單細胞數據，但工具和數據增長快，研究人員壓力大。本文總結干擾建模目標、CRISPR等技術，從統計到深度學習方法，討論大型基礎模型、干擾圖、多組學數據集、因果機器學習和挑戰。 PubMed DOI

大型語言模型（LLMs）透過互動式學習，可改善醫學生的生物信息學教育。提供程式碼範本、解釋編碼元素、幫助解決錯誤，提升教育成果。LLMs在醫學研究中的應用已有案例。但內容可靠性需驗證。結合LLMs與傳統教學，有助醫學生應對生物信息學挑戰。 PubMed DOI

這項研究探討微小RNA（miRNA）與信使RNA（mRNA）之間的互動，並強調從PubMed文章中提取這些互動的挑戰。研究人員建立了一個miRNA-mRNA互動語料庫（MMIC），並評估了多種機器學習和大型語言模型的表現。結果顯示，PubMedBERT在精確度和召回率上表現最佳，達到0.783。而Llama-2在零樣本和三樣本實驗中也有不錯的表現，特別是在召回率上優於其他模型，但在精確度上仍需改進。這顯示Llama-2在提取miRNA-mRNA互動方面具有潛力。 PubMed DOI

大型語言模型（LLMs）正在改變科學界，尤其是生物醫學領域。生物學的重點在於理解生物序列，這與自然語言處理的目標相似。基因組語言模型（gLMs）專門針對DNA序列訓練，能幫助我們更好地理解基因組及DNA元素的互動，進而揭示複雜的生物功能。這篇評論強調了gLMs在適應性預測、序列設計和轉移學習等方面的潛力，但在創建有效的gLMs時仍面臨挑戰，特別是對於大型且複雜的基因組物種。還討論了gLMs開發和評估時需考慮的重要因素。 PubMed DOI