CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models.
CancerGPT：使用大型預訓練語言模型進行少樣本藥物配對協同作用預測。 ArXiv 2024-03-04

少量數據下的LLMs有潛力，但在生物學等複雜領域的泛化能力尚待研究。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的模型CancerGPT在七種罕見組織上表現優異，即使只有124M參數，也不輸給更大的GPT-3。這是首個探討此議題的研究，也是首個在生物反應預測中應用LLM的研究。 PubMed DOI

CancerGPT for few shot drug pair synergy prediction using large pretrained language models.
使用大型預訓練語言模型進行少量樣本藥物配對協同作用預測的 CancerGPT。 NPJ Digit Med 2024-03-04

大型語言模型（LLMs）在少量數據下展現潛力，特別在生物醫學領域。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的CancerGPT模型在極少或零樣本下表現優異，與更龐大的GPT-3模型相當。這研究有助於預測罕見組織中的藥物協同作用，推動LLMs在生物醫學領域的應用。 PubMed DOI

Comprehensive Research on Druggable Proteins: From PSSM to Pre-Trained Language Models.
從PSSM到預訓練語言模型：可藥物靶蛋白的全面研究。 Int J Mol Sci 2024-04-27

蛋白質在藥物研發中扮演重要角色，但傳統方法太貴又太慢。研究引入了一個快速又精確的分類器，使用了帶有ESM-2嵌入的蛋白質語言模型（PLM），準確率達95.11%。比較結果顯示，ESM-2嵌入比PSSM特徵更優。同時，開發了基於GPT-2的端對端模型，將大型語言模型成功應用在蛋白質辨識上，並經Pharos數據集驗證表現。 PubMed DOI

Representations of lipid nanoparticles using large language models for transfection efficiency prediction.
使用大型語言模型表示脂質奈米粒子，以預測轉染效率。 Bioinformatics 2024-05-29

LNPs是用來遞送mRNA疫苗的重要工具，脂質結構影響疫苗效果。為了提高效率並節省成本，研究者開發了虛擬篩選模型，利用脂質結構和機器學習技術來預測LNPs的轉染效率。這種方法有助於優化脂質特性，可望提升疫苗研發效率。詳細資訊可至https://github.com/Sanofi-Public/LipoBART。 PubMed DOI

Can large language models predict antimicrobial peptide activity and toxicity?
大型語言模型能否預測抗微生物肽的活性和毒性？ RSC Med Chem 2024-06-24

AMPs是短肽，可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響，難以控制。GPT-3已用於預測AMP活性和毒性，但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型，但需重新評估大型語言模型的潛力。 PubMed DOI

ToxinPred 3.0: An improved method for predicting the toxicity of peptides.
ToxinPred 3.0：一種改進的肽毒性預測方法。 Comput Biol Med 2024-07-22

毒性是治療性肽開發的一大挑戰，常導致臨床試驗失敗。我們的團隊在2013年推出了ToxinPred，預測肽毒性的工具。這篇論文介紹了ToxinPred的升級版，提升了預測的可靠性與準確性。我們結合了機器學習和深度學習技術，改善了靈敏度與特異性之間的平衡，並在獨立數據集上取得了優異的表現。我們還推出了ToxinPred3的獨立軟體包和網頁伺服器，方便科學社群使用，網址為 https://github.com/raghavagps/toxinpred3 和 https://webs.iiitd.edu.in/raghava/toxinpred3/。 PubMed DOI

RLpMIEC: High-Affinity Peptide Generation Targeting Major Histocompatibility Complex-I Guided and Interpreted by Interaction Spectrum-Navigated Reinforcement Learning.
RLpMIEC：高親和力肽的生成，針對主要組織相容性複合體-I，並由互動光譜導航的強化學習指導和解釋。 J Chem Inf Model 2024-08-09

主要組織相容性複合體（MHC）在將表位呈現給T細胞受體中扮演關鍵角色，啟動免疫反應。傳統疫苗設計通常需透過昂貴的高通量篩選來找出高MHC結合親和力的表位。近期，人工智慧（AI）在蛋白質結構預測等領域展現潛力。我們提出了一種基於深度強化學習的生成算法RLpMIEC，能有效設計出結合MHC-I系統的肽，並具備高可解釋性，對加速肽基疫苗開發具有重要意義。 PubMed DOI

Comparative Evaluation of LLMs in Clinical Oncology.
臨床腫瘤學中大型語言模型的比較評估。 NEJM AI 2024-08-12

隨著人工智慧工具的普及，患者和醫療專業人員越來越依賴這些工具提供的醫療資訊。本研究評估了五個大型語言模型（LLaMA 1、PaLM 2、Claude-v1、GPT-3.5和GPT-4）在2044個腫瘤學相關問題上的表現。結果顯示，GPT-4在與人類基準比較中表現最佳，達到第50百分位以上。雖然GPT-4的準確率高達81.1%，但所有模型仍存在顯著錯誤率，顯示出持續評估這些AI工具的重要性，以確保其安全應用於臨床實踐。 PubMed DOI

Large language model produces high accurate diagnosis of cancer from end-motif profiles of cell-free DNA.
大型語言模型從游離DNA的末端特徵檔案中產生高準確度的癌症診斷。 Brief Bioinform 2024-09-02

這項研究介紹了iLLMAC，一個經過指令調整的大型語言模型，專注於利用游離DNA（cfDNA）進行癌症檢測。iLLMAC在1,135名癌症患者和1,106名對照組的血漿cfDNA數據上訓練，癌症診斷的AUROC達0.866，肝細胞癌（HCC）檢測則達0.924。隨著末端動機數量增加，性能提升，使用64個末端動機時，癌症診斷AUROC達0.886，HCC檢測AUROC達0.956。外部測試中，iLLMAC仍表現優異，顯示出基於LLM的指令調整在cfDNA癌症檢測中的潛力。 PubMed DOI

AI4ACEIP: A Computing Tool to Identify Food Peptides with High Inhibitory Activity for ACE by Merged Molecular Representation and Rich Intrinsic Sequence Information Based on an Ensemble Learning Strategy.
AI4ACEIP：一種計算工具，用於通過合併分子表徵和基於集成學習策略的豐富內在序列信息來識別對 ACE 具有高抑制活性的食物肽。 J Agric Food Chem 2024-11-04

高血壓是一種常見的慢性病，會增加心血管疾病的風險。血管緊張素轉換酶（ACE）在血壓調控中扮演重要角色，傳統藥物常有副作用，因此對能抑制 ACE 的食物來源肽（ACEIP）產生興趣。文章介紹了一個新模型 AI4ACEIP，利用兩層堆疊集成架構來識別 ACEIP，並透過 PowerShap 方法優化特徵選擇。研究顯示，AI4ACEIP 的預測表現優於七種現有方法，並可在 GitHub 上公開使用。 PubMed DOI

原始文章

站上相關主題文章列表