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

最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

藥物重定位有助於加速開發、降低成本及失敗率，但獲取可靠的負面數據仍是挑戰。為了解決這個問題，我們採用了正負標籤學習方法，並利用大型語言模型（GPT-4）分析前列腺癌臨床試驗，成功識別真負樣本，預測準確性顯著提升。透過我們的標記策略，建立了包含80種藥物的數據集，並評估了11,043種藥物的重定位潛力，找出980個前列腺癌治療候選者。這一方法可擴展至其他疾病，為新療法的發現提供更準確的數據支持。 PubMed DOI

大型語言模型（LLMs）在生物學和化學等複雜領域中影響深遠，特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用，特別是肽類分子。我們將探討LLMs在藥物設計的最新進展，以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。 主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。 總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

這篇論文全面介紹大型語言模型（LLMs）在臨床藥理學和轉譯醫學中的應用。內容涵蓋LLMs的基本原則及其在藥物發現和開發各階段的潛在用途，包括靶點識別、臨床前研究和臨床試驗分析。還會強調實際應用，如醫學寫作輔助和加速定量臨床藥理學的分析流程。目的是幫助臨床藥理學家和轉譯科學家有效利用LLMs，改善研究和開發過程。 PubMed DOI

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

作者介紹 SynLlama，一款專為小分子藥物合成路徑設計的 Llama3 微調模型。它能用常見原料和穩定反應模板，規劃出實用的合成步驟。SynLlama 資料需求低，對新原料也能應用，生成類似物和 hit expansion 表現都很優秀，是藥物化學家的實用工具。 PubMed

這篇論文推出 M³-20M 超大多模態分子資料集，收錄超過兩千萬個分子，規模比以往大71倍，結合 SMILES、2D/3D 結構、分子性質和文字描述（部分由 GPT-3.5 產生）。實驗證明，用這資料集訓練的模型在分子生成和性質預測上表現更好，對 AI 輔助藥物設計很有幫助。資料集連結：https://github.com/bz99bz/M-3 PubMed DOI

這篇研究發現，傳統藥物難以專一針對GPCRs，是因為它們的主要結合位點太像。作者用電腦分析280種GPCRs的變構訊號傳遞，設計出能精準調控特定GPCRs的allosteric藥物。這種方法讓原本難以標靶的GPCRs也能被精準治療，相關數據都整理在AlloMAPS資料庫。 PubMed DOI