GPAD是利用自然語言處理技術開發的工具，可從OMIM資料庫中提取基因與疾病的關聯。它能找出基因與特定表現型的關聯，並驗證類型。研究指出，外顯子定序增加了GDA的發現數，但因研究群體需求增加，發現率下降。此工具強調利用斑馬魚和果蠅等模式生物支持GDA的重要性。使用GPAD進行即時分析有助於研究計畫制定。 PubMed DOI

植物基因組學有重大進展，透過高通量方法研究多種基因組範圍的分子表現型。這有助於深入了解植物特徵和遺傳機制，尤其是在模式植物物種中。為了提升作物基因組學，準確預測至關重要。AgroNT是一個大型語言模型，經過48種植物物種基因組的訓練，專注於作物物種，能進行最先進的基因組特徵預測。一項針對木薯突變的研究顯示AgroNT評估調控影響的能力。編製的數據集可作為植物基因組學中深度學習方法的參考。預先訓練的AgroNT模型可在HuggingFace上進行進一步研究。 PubMed DOI

阿茲海默症是個嚴重問題，目前沒有效治療。知識圖被用在生醫研究，找出AD的藥物再利用和生物標記。一研究建立了針對AD的知識圖，分析AD、基因、變異、化學物質、藥物和其他疾病的互動。透過對PubMed摘要註釋和AI文本擴增，訓練了數據挖掘模型，提取關係。建立了全面的阿茲海默症知識圖，整合其他數據庫，訓練知識圖嵌入模型，有助於改進AD研究和治療。 PubMed DOI

微小RNA（miRNAs）在調控人類疾病中扮演重要角色，常與多種疾病相關，甚至可作為生物標記。儘管如此，miRNA的多效性概念仍不被廣泛理解。為了解決這個問題，我們推出了miRAIDD（miRNA人工智慧疾病資料庫），這是一個全面的資源，記錄miRNA與疾病的因果關聯，並利用大型語言模型進行開發。我們的貢獻包括系統量化miRNA的多效性及探討其生物學特徵，並分享程式碼和資料庫，促進研究進展。 PubMed DOI

GENEVIC是一個由人工智慧驅動的聊天框架，旨在簡化基因數據的分析與知識發現。它能自動檢索、分析和可視化基因資訊，協助生物學家。主要功能包括生成蛋白質互作網絡、豐富基因集，並從PubMed和Google Scholar搜尋文獻。試點階段專注於阿茲海默症、精神分裂症及認知相關基因變異，幫助研究人員優先考慮重要變異。這個平台使用簡單，無需專業訓練，並在安全的HIPAA合規環境中運行，且代碼開源，促進基因研究的合作與發展。 PubMed DOI

個人化醫療透過個體特徵，特別是基因資料，來制定治療方案。研究顯示特定基因背景與藥物的劑量和副作用有關。傳統知識系統難以處理這些複雜數據，因此我們開發了CPMKG，一個全面的知識平台，整理了307,614條與藥物、疾病和基因相關的資料，分為四大類別：藥物副作用、敏感性、機制和適應症。CPMKG支援藥物中心探索和病症知識推理，並整合大型語言模型，提供易懂的數據解釋，是臨床研究的重要資源。欲了解更多，請訪問：https://www.biosino.org/cpmkg/. PubMed DOI

這項研究評估了21個大型語言模型（LLMs）在檢索生物知識的有效性，特別針對基因調控和KEGG途徑。隨著生物文獻的快速增長，傳統手動整理已不再足夠，LLMs成為一個有前景的替代方案。 結果顯示，模型性能差異明顯，GPT-4和Claude-Pro在基因調控關係的F1分數分別為0.4448和0.4386，KEGG途徑的Jaccard指數也表現強勁。相比之下，開源模型表現較差。研究強調選擇合適模型的重要性，並提供了LLMs在生物研究中的應用見解，相關代碼已在GitHub上公開。 PubMed DOI

基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 PubMed DOI

在科學研究中，隨著出版物數量的增加，管理變得愈加困難。為了解決這個問題，我們開發了一個高通量流程，利用ChatGPT從超過24,000篇秀麗隱杆線蟲和150,000篇果蠅的文獻中提取資訊，成功識別了超過200,000個C. elegans的互動及近120萬個果蠅的互動，建立了全面的生物圖譜。我們還創建了一個可搜尋的線上平台，方便使用者訪問這些知識網絡，並突顯了重要的生物途徑。這些數據庫可在worm.bio-map.com和drosophila.bio-map.com訪問。 PubMed DOI

基因功能的研究仍是植物科學的重要目標，但在模式生物阿拉伯芥中，只有約15%的基因功能經過實驗驗證。雖然生物資訊工具能幫助預測基因功能，但近年來有效性和實驗性基因數量並未顯著增加。這篇綜述將探討基因功能研究的現狀與未來方向，並強調預測技術的最新進展。此外，還會討論人工智慧的發展，特別是大型語言模型和知識圖譜，如何提升基因功能預測，幫助研究人員隨時掌握最新科學文獻。 PubMed DOI