原始文章

AutoBA是一款創新的AI工具,專為自動化多組學生物資訊分析而設計。它利用大型語言模型簡化分析過程,使用者只需提供少量輸入,並能獲得詳細的步驟計劃。AutoBA能根據數據變化自我調整分析流程,並支持多個LLM後端,提供在線及本地使用選項,確保數據安全與隱私。此外,它具備自動代碼修復機制,增強分析穩定性,並能隨著新興工具的發展而適應,成為多組學分析的強大解決方案。 PubMed DOI


站上相關主題文章列表

這項研究探討使用一個大型語言模型(GPT-4)來自動化系統性文獻回顧和網絡荟萃分析中的數據提取、程式碼生成和結果解釋。該模型在提取數據和生成腳本方面表現出高準確性,有潛力節省時間並減少錯誤。雖然需要定期進行技術檢查,但未來大型語言模型的改進可能進一步增強自動化效果。 PubMed DOI

CLAW平台利用自定義MRM轉換自動解析複雜脂質數據,並整合統計工具,提升脂質組學研究效率。通過分析阿茲海默症小鼠和油菜籽油樣本,展示了其效用。用戶界面設有AI聊天機器人,旨在使脂質組學工作更順暢。 PubMed DOI

「AI 科學家」是一種創新的生物醫學研究方法,旨在設計 AI 系統來增強人類能力,而非取代人類。這些 AI 代理能進行懷疑式學習和推理,與人類研究者有效合作。透過整合先進的 AI 模型與生物醫學工具,它們能分析大量數據、探索假設並自動化重複性任務,簡化研究過程。這些代理還能持續學習,保持最新的科學知識,應用於虛擬細胞模擬、新療法開發等領域,促進生物醫學研究的進步。 PubMed DOI

核糖體剖析(Ribo-seq)是一項能深入了解蛋白質合成的技術,但分析過程對於沒有生物資訊背景的人來說相當複雜。基於大型語言模型的聊天機器人,透過自然語言處理,提供了一個解決方案。本篇評論探討了Ribo-seq分析與聊天機器人技術的結合,強調其在數據分析和結果解釋上的潛力。雖然目前尚無實際應用範例,但未來這些技術有望克服分析障礙,推進對基因表達的理解。不過,模型偏見和數據隱私等問題仍需解決。 PubMed DOI

ProtChat是一個創新的AI多代理系統,專門用於蛋白質分析,結合了蛋白質大型語言模型和像GPT-4這樣的技術。它能自動化複雜任務,如預測蛋白質特性和分析蛋白質-藥物相互作用,大幅減少人力需求。即使沒有計算背景的研究人員也能輕鬆使用,提升分析效率。實驗結果顯示,ProtChat能快速且準確地處理蛋白質相關任務,為計算生物學和藥物發現開創新機會。其程式碼和數據已在GitHub上公開,鼓勵更多人探索應用。 PubMed DOI

人工智慧(AI)正透過分析大型數據集來改變科學發現,尤其是在精準健康與醫學領域。不過,生物醫學數據常常零散且不一致,整合上有挑戰。為了解決這個問題,我們開發了**BioMedGraphica**,這是一個綜合平台,擁有超過300萬個實體和5600萬個關係的統一文本屬性知識圖譜,數據來自43個生物醫學數據庫。這個平台讓研究人員能進行知識發現,並以友好的介面提供與藥物、疾病等相關的豐富信息,還能創建多組學信號圖,助力新型AI模型的開發。 PubMed DOI

在生物學的數據分析領域,專家短缺影響了對複雜生物過程的理解及新療法的開發。為了解決這個問題,我們推出了名為 mergen 的 R 套件,利用大型語言模型(LLMs)來生成和執行數據分析代碼。研究人員只需用簡單文字描述分析目標,系統便能透過提示和反饋改善代碼生成。我們的評估顯示,雖然 LLMs在某些任務上有效,但在複雜分析中仍有挑戰。自我修正機制顯著提升了可執行代碼的生成比例,對於複雜度等級 2 和 3 的任務分別提高了 22.5% 和 52.5%。這項研究增進了對 LLM 能力的理解,並提供了實用的整合見解。 PubMed DOI

功能性蛋白質組學在癌症研究中非常重要,能幫助識別新的生物標記和治療目標。我們建立了一個全面的資源,包含近8,000名癌症患者和約900個癌症細胞系的數據,並挑選了近500種高品質抗體,涵蓋主要癌症通路。為了提升可用性,我們推出了DrBioRight 2.0(https://drbioright.org),這是一個直觀的生物資訊平台,結合大型語言模型,讓研究人員能深入分析和視覺化蛋白質組學數據,加速轉化為生物醫學見解。 PubMed DOI

IAN是一個R套件,專門利用多代理人工智慧系統來整合和分析高通量的“組學”數據。它結合了KEGG、WikiPathways、Reactome等知名數據集,進行富集分析,並透過大型語言模型(LLM)生成結果的總結與解釋。IAN能有效促進生物學發現,並減少不準確性。相關的套件、安裝說明和範例可在 https://github.com/NIH-NEI/IAN 找到。 PubMed DOI

這項研究提出了一個新框架,結合大型語言模型(LLMs)提取的臨床特徵,以改善癌症亞型的分類。傳統方法多只專注於組學數據,忽略了臨床背景的價值。研究利用基於BERT的模型,從病理報告中提取結構化特徵,並與組學數據結合,透過自編碼器增強信息。經過奇異值分解(SVD)和光譜聚類後,結果顯示在六個癌症數據集上表現優於現有方法,強調了臨床特徵在多組學分析中的重要性,並展示了LLMs在精準醫療中的潛力。 PubMed DOI