The promises of large language models for protein design and modeling.
大型語言模型在蛋白質設計和建模中的潛力。 Front Bioinform 2023-12-11

最新的語言模型對蛋白質研究有重大影響，特別是GPT-4等模型展現出潛力，可應用在蛋白質領域。蛋白質語言模型已顯示出預測和創新蛋白質的能力，並取得重要進展。本文討論了這個新興領域的機會和挑戰，並提供了LLMs對蛋白質研究的影響。 PubMed DOI

Evaluation of Open-Source Large Language Models for Metal-Organic Frameworks Research.
評估開源大型語言模型在金屬有機骨架研究中的應用。 J Chem Inf Model 2024-03-26

人工智慧工具如GPT-4在化學和材料研究中扮演重要角色。雖然GPT-4有進展，但科學界尚未廣泛使用大型語言模型。研究評估了六個開源的大型語言模型在金屬有機骨架（MOFs）研究中的表現，其中Llama2-7B和ChatGLM2-6B表現優異。高參數版本的模型表現更佳。 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

Emerging opportunities of using large language models for translation between drug molecules and indications.
利用大型語言模型在藥物分子和適應症之間進行翻譯的新機會。 Sci Rep 2024-05-10

研究指出，大型語言模型（LLM）在翻譯藥物描述上有潛力，但仍有改進空間。這種翻譯有助於開發更有效的藥物治療，降低成本，並透過人工智慧改革醫療領域。然而，藥物和適應症研究仍需更深入。 PubMed DOI

Augmenting large language models with chemistry tools.
使用化學工具增強大型語言模型。 Nat Mach Intell 2024-05-27

大型語言模型（LLMs）在各種任務上表現出色，但在化學領域卻遇到困難。ChemCrow是一個LLM化學智能助手，整合了專業工具和GPT-4，以增強有機合成和藥物發現等化學任務。ChemCrow能夠自主規劃合成路線並有效地引導發現，將實驗和計算化學有效地連結，促進科學進步。 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

Can large language models understand molecules?
大型語言模型能理解分子嗎？ BMC Bioinformatics 2024-06-26

LLMs如GPT和LLaMA在化學領域有潛力，尤其在用SMILES表示化學結構。研究比較後發現，LLaMA在分子性質和藥物相互作用預測上比GPT表現更好。LLaMA的SMILES嵌入在分子預測與預訓練模型相當，藥物相互作用預測更佳。這研究強調LLMs在分子嵌入有潛力，值得進一步探索。詳情請看GitHub：https://github.com/sshaghayeghs/LLaMA-VS-GPT。 PubMed DOI

Large Language Models for Inorganic Synthesis Predictions.
無機合成預測的大型語言模型。 J Am Chem Soc 2024-07-11

預先訓練並微調的大型語言模型（LLMs）在預測無機化合物的合成可行性和選擇無機合成的前驅物方面非常有效。相較於專門的機器學習模型，微調後的LLMs表現優異，使用者需要的專業知識、成本和時間也較少。這種方法將成為未來化學機器學習研究的重要參考，同時也是實驗化學家的實用工具。 PubMed DOI

Automation and machine learning augmented by large language models in a catalysis study.
催化研究中自動化與機器學習輔助的大型語言模型。 Chem Sci 2024-08-09

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

Unlocking comprehensive molecular design across all scenarios with large language model and unordered chemical language.
利用大型語言模型和無序化學語言解鎖各種情境下的全面分子設計。 Chem Sci 2024-08-30

分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 PubMed DOI

原始文章

站上相關主題文章列表