藥物開發費用高達25億美元，討論了調整現有分子和創造新分子兩種方法。人工智慧在藥學領域帶來革命，尤其生成式人工智慧在藥物發現中備受矚目。探討了不同生成式人工智慧模型、應用、挑戰及潛力。強調了商業合作夥伴在藥物發現中的重要性。 PubMed DOI

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

人工智慧近年來進步神速，像ChatGPT等模型已經相當厲害。不過，將AI用在非專業領域還是有挑戰。為此，Uni-Mol模型開發了線上工具，專注於中樞神經系統疾病藥物開發，包括NMDA受體。這些工具像是BBB滲透性預測、QSAR分析和VD-gen分子生成模型，旨在幫助加速藥物研發，彌合AI技術與專家之間的鴻溝。 PubMed DOI

肽類有多樣生物活性，有治療潛力，但短效和易降解。人工智慧和計算工具推動肽類研究，如生成對抗網絡和變分自編碼器用於肽類設計。挑戰在於模型優化和驗證。討論AI整合肽類開發，概述機器學習策略，提出AI輔助肽類設計流程，強調AI加速肽類藥物發現的實用性。 PubMed DOI

微生物細胞工廠（MCFs）利用合成生物學技術生產化合物，但傳統方法繁瑣。現在透過人工智慧（AI）快速處理生物數據，提高效率，改進微生物生產。AI改變了設計-構建-測試循環，帶來更好結果。本文討論AI在基因組注釋、蛋白工程、功能蛋白設計和微生物生產途徑預測的應用，也探討了挑戰和大型語言模型（LLMs）的潛力。 PubMed DOI

人工智慧（AI）正在改變科學研究，像是蛋白質摺疊和文獻摘要等領域，但在天然產品研究中的應用卻受到限制。這主要是因為數據多樣且不平衡，分散在不同資料庫中，影響了深度學習模型的效能。為了解決這個問題，作者提議建立一個知識圖譜，整合天然產品數據，幫助開發更能模擬科學家決策過程的AI模型，並讓更多人能夠獲取這些數據，提升AI在該領域的應用。 PubMed DOI

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

這篇評論探討了深度學習模型在蛋白質結構生物學中的影響，包括卷積神經網絡、語言模型、去噪擴散模型和圖神經網絡。文章指出，蛋白質可以從序列、圖像或圖形等不同角度分析，並建議使用特定的深度學習技術。內容涵蓋蛋白質結構預測、逆摺疊、蛋白質設計及小分子設計等進展，對實驗結構生物學家及相關領域的研究者來說，都是非常有價值的資源。 PubMed DOI

最近，自然語言處理（NLP）領域因大型語言模型（LLMs）的出現而有了重大進展。這些模型基於深度學習架構，如變壓器（transformers），擁有數十億的參數和龐大的訓練數據，能在各種任務中達到高準確度。LLMs不僅在傳統NLP應用上表現出色，還在生物信息學中解決了複雜數據集的挑戰，協助基因組學和藥物發現等領域的研究，為生命科學的新發現鋪路。 PubMed DOI

大型語言模型（LLM）技術為合成化學帶來了新機會。我們開發了一個基於LLM的反應開發框架（LLM-RDF），利用GPT-4簡化化學合成任務。這個框架包含六個專門的代理，能執行文獻搜尋、實驗設計、硬體執行等功能。我們還創建了一個網頁應用程式，讓化學家能用自然語言與自動化實驗平台互動，無需編碼技能。LLM-RDF在銅/TEMPO催化的醇類氧化反應中展現了其完整的合成開發能力，並在多種反應中證明了其廣泛適用性。 PubMed DOI