TSSNote-CyaPromBERT: Development of an integrated platform for highly accurate promoter prediction and visualization of Synechococcus sp. and Synechocystis sp. through a state-of-the-art natural language processing model BERT.
TSSNote-CyaPromBERT: 開發一個整合平台，透過最先進的自然語言處理模型BERT，高度準確地預測和視覺化Synechococcus sp.和Synechocystis sp.的啟動子。 Front Genet 2022-12-22

研究使用XLNET、BERT和DNABERT等自然語言處理模型，成功預測藍綠藻的啟動子，進而合成化合物。開發了TSSNote-CyaPromBERT平台，方便數據提取和預測。研究指出，這些模型對分析DNA序列及辨識新菌株的啟動子區域相當有幫助。 PubMed DOI

Enabling AI in synthetic biology through Construction File specification.
透過建構檔案規範在合成生物學中啟用人工智慧。 PLoS One 2023-11-16

建構檔案（CF）標準化分子生物學操作，提升實驗效率。透過Python、Java和JavaScript軟體專案實施。CF促進協作、自動化和重複使用，減少錯誤，並可整合AI（如GPT-4）進行創新自動化策略。挑戰包括令牌限制和生物安全性，但AI可協助實驗設計，提高合成生物學管理效率。 PubMed DOI

Deep Learning for Genomics: From Early Neural Nets to Modern Large Language Models.
基因組學的深度學習：從早期神經網絡到現代大型語言模型。 Int J Mol Sci 2023-11-22

基因體研究進步快速，高通量测序技術帶來龐大數據，挑戰傳統方法。深度學習在視覺、語音成功，但在基因體學需超越人智。有效深度學習模型需結合任務知識。本文討論不同模型優勢，應用於基因體學，並探討實際開發考量。深度學習在基因體學應用及挑戰，未來研究方向，合作多樣數據、快速迭代是關鍵。 PubMed DOI

reguloGPT: Harnessing GPT for Knowledge Graph Construction of Molecular Regulatory Pathways.
reguloGPT: 利用 GPT 進行分子調控途徑知識圖譜建構。 bioRxiv 2024-02-12

了解分子調控途徑（MRPs）對生物功能很重要，知識圖譜（KGs）有助於分析MRPs。目前從生物醫學文獻中挖掘KGs的工具有限。大型語言模型（LLMs）如GPT-4有潛力解決這挑戰。reguloGPT利用GPT-4進行KG構建，相較現有方法有明顯改進。m6A-KG是使用reguloGPT預測構建的，展示了在理解癌症調控機制方面的實用性。 PubMed DOI

Deep-Learning Uncovers certain CCM Isoforms as Transcription Factors.
深度學習揭示某些CCM異構型作為轉錄因子。 Front Biosci (Landmark Ed) 2024-03-01

腦部海綿狀血管畸形（CCMs）是一種可能增加中風風險的腦部血管問題。遺傳性CCMs涉及三個基因：KRIT1（CCM1）、MGC4607（CCM2）和PDCD10（CCM3）。CCM1和CCM3組成CCM信號複合物（CSC），在基因表達中扮演重要角色。研究發現CCM蛋白質有多個異構型，其中CCM1和CCM2的某些異構型可能是轉錄因子，挑戰了以往對CCM在血管生成中的看法。 PubMed DOI

Large language models in plant biology.
植物生物學中的大型語言模型。 Trends Plant Sci 2024-05-26

像ChatGPT這樣的大型語言模型非常厲害，不僅能處理人類語言，還能應用在分析DNA和蛋白質等生物數據上。它們可以辨識生物數據中的複雜規律，成為預測細胞系統的強力工具。這篇文章討論了各種大型語言模型及其在生物學中的應用，特別強調了它們在植物領域的潛力，但在這個領域中的應用仍不太普遍。 PubMed DOI

On knowing a gene: A distributional hypothesis of gene function.
對於一個基因的認識：基因功能的分佈假說。 Cell Syst 2024-05-29

基因功能像詞語意義一樣，視語境而異。現有基因註解忽略這複雜性。利用自然語言處理技術，或許能更深入了解基因。現代分佈語義學以向量表示詞語，推動語言模型進步。將基因功能視為細胞語境中的分佈，透過大數據學習，或許能有新突破。 PubMed DOI

Gene regulatory networks in disease and ageing.
疾病和衰老中的基因調控網絡。 Nat Rev Nephrol 2024-06-12

基因表現控制對細胞功能至關重要，而與年齡相關的基因調控變化可能影響細胞健康。基因調控網絡模型這些相互作用，包括信號傳遞和轉錄因子。技術的進步使得可以從大型數據集中精確推斷這些網絡，有助於理解細胞老化和疾病機制。 PubMed DOI

Genomic Language Models: Opportunities and Challenges.
基因組語言模型：機會與挑戰。 ArXiv 2024-07-29

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

Predicting Differentially Methylated Cytosines in TET and DNMT3 Knockout Mutants via a Large Language Model.
透過大型語言模型預測 TET 和 DNMT3 基因敲除突變體中的差異甲基化胞嘧啶。 bioRxiv 2024-09-16

這項研究探討DNA胞嘧啶甲基化在細胞調控中的角色，特別是小鼠和人類胚胎幹細胞中TET和DNMT3基因的敲除突變體。研究有三個主要目標：訓練大型語言模型識別差異甲基化胞嘧啶、檢驗人類和小鼠基因組中DMCs的預測能力，以及評估DNMT3和TET敲除數據的預測效果。研究成功識別出與突變體DMC預測相關的重要基序，增進了對幹細胞DNA甲基化的理解。相關軟體已在GitHub上公開。 PubMed DOI

原始文章

站上相關主題文章列表