這篇論文回顧了深度學習的最新進展，特別是大型語言模型（LLMs）在微生物組和宏基因組研究中的影響。它指出微生物的蛋白質和基因組序列可視為「生命的語言」，讓研究人員能透過LLMs從複雜的生態系中獲得見解。文章探討了深度學習和語言模型的應用，包括問題定義、數據集需求及語言建模技術的整合，主要涵蓋蛋白質/基因組語言建模、病毒組學語言建模、生物合成基因簇預測及宏基因組研究的知識整合。 PubMed DOI

這篇評論探討生理學研究如何因應Omic技術的進步而轉向分子生理學，特別是蛋白質質譜分析和下一代DNA測序（NGS）。雖然這些技術提供了豐富的基因、mRNA和蛋白質數據，但要全面理解生理過程仍然困難。評論提到三種整合Omic數據與傳統研究的方法：開發線上資源、使用貝葉斯方法結合不同數據，以及應用自然語言處理技術分析文獻。此外，還提到大型語言模型（如ChatGPT）在知識整合中的角色及其局限性。 PubMed DOI

多組學研究是一種創新的生物科學方法，結合基因組學、轉錄組學、蛋白質組學和代謝組學等數據，幫助我們全面理解生物系統。這篇綜述強調數據整合的重要性，揭示生物過程中的複雜互動。 我們討論了深度學習、圖神經網絡和生成對抗網絡等計算技術的最新進展，這些技術提升了多組學數據的分析能力。同時，文章也探討了數據異質性和模型可解釋性等挑戰。 此外，大型語言模型在特徵提取和知識整合方面的潛力也被提及。儘管多組學有很大潛力，但所需的計算資源和模型調整的複雜性仍需持續創新與合作。 PubMed DOI

這篇評論強調大型語言模型（LLMs）在合成生物學（SynBio）教育與研究中的重要性，特別是在生物製造領域。文章比較了美國和中國的LLMs在解決SynBio問題上的表現，並探討了它們如何從非結構化數據中提取資訊、建立知識圖譜，及促進檢索增強生成。預期LLMs將提升代謝建模和工程中的設計-建造-測試-學習（DBTL）循環，並推動自動化實驗室的發展。最後，呼籲建立LLMs的基準、發展生物安全措施，並促進相關領域專家的合作。 PubMed DOI

這項研究分析了超過80,000篇文獻，深入探討代謝組學領域。作者利用PubMedBERT將摘要轉換為768維的嵌入向量，並透過t-SNE降維，揭示了在化學、植物生物學、藥理學及臨床診斷等領域的聚類現象。結合GPT-4o mini的主題建模，研究分為20個主題，如「植物壓力反應機制」及「COVID-19代謝組學」。時間分析顯示，自2015年後深度學習的應用增加，且對生物標記的重視持續。研究團隊還提供互動式網頁應用，方便探索這些見解，為研究人員和政策制定者提供有價值的框架。 PubMed DOI

生物製造是一種創新技術，結合生物學、化學和工程，利用可再生資源和生物體透過發酵生產商品。相較於傳統石油化學過程，這種方法能顯著減少二氧化碳排放、降低能源消耗及成本。隨著系統生物學、合成生物學和生物資訊學的進步，加上人工智慧和高效能計算的應用，生物製造正朝向數據驅動的方向發展。本文回顧相關數據庫和大型語言模型的最新進展，探討未來挑戰及技術創新，期望能激發更多科學研究。 PubMed DOI

傳統奈米酶合成又慢又複雜，資料庫也不完整，限制研究進展。AI-ZYMES資料庫收錄超過千筆資料和400種奈米酶，資料標準化，方便比較。它有雙AI模型，能精準預測催化和活性，還有ChatGPT助理協助文獻整理和合成路徑設計。這些功能大幅提升資料品質和預測力，加速奈米酶研究發展。 PubMed DOI

生物合成因為環保又精準，越來越受重視。AI的加入大幅加快了生物合成的設計和優化，尤其在合成路徑規劃和酵素工程上很有幫助。即使資料有限，大型語言模型也展現潛力。不過，AI應用還有不少挑戰，未來在藥物、綠色化學等領域會更普及，但還需要持續研究突破。 PubMed DOI

研究團隊開發了 NanoSafari 這套生成式 AI 工具，能用創新的資訊擷取方法（GIVE）從兩萬多篇論文中精準收集奈米材料設計數據。結合大型語言模型後，NanoSafari 提供比傳統模型更可靠、精確的資訊，並經專家與實驗驗證，展現 AI 協助生物材料與生醫工程研究的潛力。 PubMed DOI

生成式AI正加速新藥開發、蛋白質與基因研究，也推動個人化醫療和農業創新，像是培育更優良作物。它還促進合成生物學和永續發展。不過，資料隱私和公平性等倫理問題也要一起重視，才能確保負責任的應用。 PubMed DOI