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