Leveraging Generative AI to Prioritize Drug Repurposing Candidates: Validating Identified Candidates for Alzheimer's Disease in Real-World Clinical Datasets.
利用生成式人工智慧來優先考慮藥物再利用候選藥物：在真實世界臨床數據中驗證識別出的阿茲海默症候選藥物。 medRxiv 2024-03-15

藥物再利用省錢又有效，尤其對抗阿茲海默症等疾病很有幫助。人工智慧工具如ChatGPT能快速分析科學數據，找出潛在藥物候選者。研究指出，二甲双胍、辛伐他汀和洛薩坦等藥物可能降低阿茲海默症風險。顯示人工智慧技術可幫忙選擇再利用藥物，進而改善疾病治療。 PubMed DOI

Leveraging Generative AI to Prioritize Drug Repurposing Candidates: Validating Identified Candidates for Alzheimer's Disease in Real-World Clinical Datasets.
利用生成式人工智慧來優先考慮藥物再利用候選者：在真實世界臨床數據中驗證對於阿茲海默症識別的候選藥物。 Res Sq 2024-03-11

藥物再利用省錢又有效，尤其對治療阿茲海默症有潛力。透過人工智慧技術如ChatGPT，可找出潛力藥物。ChatGPT建議二甲双胍、辛伐他汀和洛薩坦等藥物，可降低罹患阿茲海默症風險。顯示人工智慧有助篩選藥物，進而改善疾病治療。 PubMed DOI

De novo drug design as GPT language modeling: large chemistry models with supervised and reinforcement learning.
以 GPT 語言建模進行藥物的全新設計：利用監督式學習和強化學習建立大型化學模型。 J Comput Aided Mol Des 2024-04-22

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

Emerging opportunities of using large language models for translation between drug molecules and indications.
利用大型語言模型在藥物分子和適應症之間進行翻譯的新機會。 Sci Rep 2024-05-10

研究指出，大型語言模型（LLM）在翻譯藥物描述上有潛力，但仍有改進空間。這種翻譯有助於開發更有效的藥物治療，降低成本，並透過人工智慧改革醫療領域。然而，藥物和適應症研究仍需更深入。 PubMed DOI

Large language models reshaping molecular biology and drug development.
大型語言模型重塑分子生物學和藥物開發。 Chem Biol Drug Des 2024-06-19

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

Large Language Model-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

Large language model aided automatic high-throughput drug screening using self-controlled cohort study.
大型語言模型輔助的自我對照隊列研究自動化高通量藥物篩選。 medRxiv 2024-08-16

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

Toward an Explainable Large Language Model for the Automatic Identification of the Drug-Induced Liver Injury Literature.
朝向可解釋的大型語言模型以自動識別藥物誘發肝損傷文獻。 Chem Res Toxicol 2024-08-27

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 PubMed DOI

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

Practical Aspects of Using Large Language Models to Screen Abstracts for Cardiovascular Drug Development: Cross-Sectional Study.
使用大型語言模型篩選心血管藥物開發摘要的實務面向：橫斷面研究。 JMIR Med Inform 2024-10-04

本研究評估三種大型語言模型（LLMs）在心血管藥物開發文獻篩選中的有效性，重點包括： 1. **表現**：分析每個LLM在識別和總結心血管藥物相關文獻的能力。 2. **成本**：探討使用這些LLMs的財務影響，並與傳統文獻回顧方法比較時間和資源的節省。 3. **提示工程權衡**：研究不同提示設計對模型輸出的影響，及其對文獻篩選效率的影響。本研究旨在揭示LLMs在心血管藥物開發中的潛力，促進更明智的決策和加速新療法上市。 PubMed DOI

原始文章

站上相關主題文章列表