討論了利用預先訓練的語言模型從文本中提取科學知識的方法，包括命名實體識別和關係提取，並在材料化學任務中展示。可從句子或段落中擷取資訊，輸出為簡單英文句子或JSON格式。這方法可直接靈活地從研究論文中建立科學知識數據庫。 PubMed DOI

小分子研究的目標是製造具有特定功能的化學物質。傳統方法著重在結構，這項研究則利用文獻資料預測功能。研究者建立了CheF數據集，收錄專利中的分子-功能對。他們發現這個文本數據集反映了化學功能，可用來預測功能。這顯示文本方法或許可成為設計新功能分子的替代途徑。 PubMed DOI

傳統的飲食評估方式可能不夠客觀且耗時，但現在有人工智慧（AI）解決方案可以自動化這個過程。這項研究使用GPT-4V模型驅動ChatGPT進行飲食評估，表現出在檢測食物和識別菜餚方面的潛力。這個方法不需要特定訓練數據，並且可以根據上下文提示來估計食物份量，提高評估的準確性。 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

人工智慧（AI）正在改變科學研究，像是蛋白質摺疊和文獻摘要等領域，但在天然產品研究中的應用卻受到限制。這主要是因為數據多樣且不平衡，分散在不同資料庫中，影響了深度學習模型的效能。為了解決這個問題，作者提議建立一個知識圖譜，整合天然產品數據，幫助開發更能模擬科學家決策過程的AI模型，並讓更多人能夠獲取這些數據，提升AI在該領域的應用。 PubMed DOI

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

這項研究強調了數據驅動和機器學習在有機化學中的重要性，特別是在將文獻中的非結構化文本轉為結構化反應數據。這對於提升反應預測和條件建議非常關鍵。研究人員微調了一個大型語言模型，從有機合成程序中提取反應信息，並依據開放反應數據庫格式化。經過微調後，模型在生成完整記錄時達到91.25%的準確率，單個數據欄位則為92.25%。研究還探討了模型的局限性及其在特定任務上的表現。 PubMed DOI

歐洲食品安全局（EFSA）正在努力改善化學風險評估，特別是利用來自科學文獻的非結構化數據。'AI4NAMS'專案探討使用大型語言模型（LLMs），如GPT系列，來提升基於新方法論（NAMs）的數據提取與整合。針對雙酚A（BPA）的案例研究中，微調的GPT-3模型（Curie）在提取任務上表現優於現成的模型（text-davinci-002和text-davinci-003），顯示微調的效果及技術進步對模型性能的提升有顯著貢獻，進一步推動AI在科學與監管領域的應用。 PubMed DOI

準確預測ADMET（吸收、分佈、代謝、排泄和毒性）特性對藥物開發非常重要，能幫助選擇具良好藥物動力學及降低毒性的化合物。目前的ADMET數據集因樣本數量少及代表性不足而受限。為了解決這些問題，我們提出了一個多代理數據挖掘系統，利用大型語言模型識別14,401個生物測試的實驗條件，並整合不同來源的數據，最終創建了PharmaBench，包含156,618條原始條目，旨在支持藥物發現相關的AI模型開發。 PubMed DOI

這段文字探討了從文本中識別和提取關鍵資訊的重要性，特別是在食品領域，對營養師和醫生很有幫助。文中提到命名實體識別（NER）和命名實體連結（NEL）的角色。大型語言模型（如ChatGPT）為這些任務提供了新機會。作者評估了ChatGPT-3.5和ChatGPT-4在食品數據的NER和NEL表現，並比較它們在生物醫學領域的能力。結果顯示，ChatGPT在NER上表現不錯，但在實體連結的有效性上則較低。作者提醒，雖然ChatGPT有潛力，但在食品和生物醫學的關鍵決策上不應過度依賴。 PubMed DOI