CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models.
CancerGPT：使用大型預訓練語言模型進行少樣本藥物配對協同作用預測。 ArXiv 2024-03-04

少量數據下的LLMs有潛力，但在生物學等複雜領域的泛化能力尚待研究。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的模型CancerGPT在七種罕見組織上表現優異，即使只有124M參數，也不輸給更大的GPT-3。這是首個探討此議題的研究，也是首個在生物反應預測中應用LLM的研究。 PubMed DOI

Pretrained transformer models for predicting the withdrawal of drugs from the market.
預訓練的轉換模型用於預測藥物退出市場。 Bioinformatics 2023-09-18

藥物研發費時費錢，成功率低，ADR風險高。早期檢測ADR對安全至關重要。研究利用語言模型預測藥物撤回情況，表現優異。預訓練模型成功辨識50％以上被撤藥，處理不一致標籤也有效。程式碼與資料集在GitHub。 PubMed DOI

CancerGPT for few shot drug pair synergy prediction using large pretrained language models.
使用大型預訓練語言模型進行少量樣本藥物配對協同作用預測的 CancerGPT。 NPJ Digit Med 2024-03-04

大型語言模型（LLMs）在少量數據下展現潛力，特別在生物醫學領域。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的CancerGPT模型在極少或零樣本下表現優異，與更龐大的GPT-3模型相當。這研究有助於預測罕見組織中的藥物協同作用，推動LLMs在生物醫學領域的應用。 PubMed DOI

Drug resistance revealed by in silico deep mutational scanning and mutation tracker.
透過計算模擬深度突變掃描和突變追蹤器揭示的藥物抗性。 ArXiv 2024-03-18

COVID-19 持續蔓延第五年，SARS-CoV-2 變異對藥物效果構成挑戰。瞭解病毒與藥物互動，提升效力、對抗抗藥性至關重要。PLFormer-PAF整合歷史數據、預測模型，分析蛋白質-配體互動。轉換複合物為拓撲序列，預測結合親和力，評估病毒變異對藥物效果影響。表現優異，提供SARS-CoV-2相關互動，洞察潛在藥物抗性。指出某些藥物廣泛使用可能導致病毒進化、效力下降。PLFormer-PAF是發現、制定因應COVID-19等快速變異病毒治療策略的重要工具。 PubMed DOI

De novo drug design as GPT language modeling: large chemistry models with supervised and reinforcement learning.
以 GPT 語言建模進行藥物的全新設計：利用監督式學習和強化學習建立大型化學模型。 J Comput Aided Mol Des 2024-04-22

生成式機器學習在使用SMILES語言設計藥物分子上取得成功。研究指出大型語言模型在藥物設計有潛力，透過預訓練的方式成功轉移到藥物領域，效果優於先前研究。這種模型能生成對特定靶點有效的分子，展現了在藥物發現上的潛力。這為未來更大型的研究提供可能性，有助於開發非專利的藥物替代品。 PubMed DOI

Comprehensive Research on Druggable Proteins: From PSSM to Pre-Trained Language Models.
從PSSM到預訓練語言模型：可藥物靶蛋白的全面研究。 Int J Mol Sci 2024-04-27

蛋白質在藥物研發中扮演重要角色，但傳統方法太貴又太慢。研究引入了一個快速又精確的分類器，使用了帶有ESM-2嵌入的蛋白質語言模型（PLM），準確率達95.11%。比較結果顯示，ESM-2嵌入比PSSM特徵更優。同時，開發了基於GPT-2的端對端模型，將大型語言模型成功應用在蛋白質辨識上，並經Pharos數據集驗證表現。 PubMed DOI

Large language models reshaping molecular biology and drug development.
大型語言模型重塑分子生物學和藥物開發。 Chem Biol Drug Des 2024-06-19

大型語言模型（LLMs）在醫學和臨床資訊學中扮演重要角色，能幫助突破和個人化治療。透過分析複雜的生物數據，揭示基因組學、蛋白質結構和健康記錄中的隱藏模式，對基因組分析、藥物開發和精準醫學有所助益。然而，必須面對數據偏見、隱私和道德等挑戰，才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展，造福個人和社區。 PubMed DOI

Large Language Model-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

Large language model aided automatic high-throughput drug screening using self-controlled cohort study.
大型語言模型輔助的自我對照隊列研究自動化高通量藥物篩選。 medRxiv 2024-08-16

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

AntiFormer: graph enhanced large language model for binding affinity prediction.
AntiFormer：圖形增強的大型語言模型用於結合親和力預測。 Brief Bioinform 2024-08-20

抗體在免疫防禦和治療中扮演重要角色，其效能透過親和力成熟過程增強。傳統技術測量抗體結合親和力困難，因此我們提出了AntiFormer，一個基於圖形的語言模型，能更準確預測抗體親和力。AntiFormer經過廣泛評估，表現優於現有方法，能快速提供準確預測。它在SARS-CoV-2患者樣本中識別出強中和抗體，並分析流感疫苗反應，揭示年輕人和老年人之間的免疫反應差異。這項研究強調了大克隆型類別在免疫調節中的重要性，顯示AntiFormer在抗體診斷和治療上的潛力。 PubMed DOI

原始文章

站上相關主題文章列表