在2000年代初期，製藥業開始使用計算方法來預測藥物的吸收、分佈、代謝、排泄和毒性（ADME/Tox），以降低後期失敗的風險。在過去的兩個十年中，已取得顯著進展，發展出這些能力，導致轉向生成式全新設計和同時優化多種特性。挑戰仍然存在，例如適應非常大的分子和整合新數據和演算法。 PubMed DOI

研究指出，透過提示工程引導 ChatGPT 從科學文獻中找出金屬有機骨架（MOF）的合成條件，解決虛假資訊問題。系統成功提取合成參數，精確度高，並使用機器學習模型預測 MOF 實驗結果準確率超過 87%。這方法簡化了化學數據提取整理，不需專業知識，潛力廣泛。 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

最近，人工智慧和自動化的進展正在徹底改變催化劑的發現與設計，從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動，促成了自駕實驗室的誕生，加速了材料研究的進程。近兩年，大型語言模型的興起也為這個領域帶來了更大的靈活性，改變了催化劑設計的方式，標誌著學科的革命性轉變。 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

這篇文章介紹了CACTUS，一個基於大型語言模型（LLM）的代理，旨在提升化學領域的推理與問題解決能力。研究評估了CACTUS在多項化學問題基準測試中的表現，使用了多個開源LLM，如Gemma-7b、Falcon-7b等。結果顯示，CACTUS的表現明顯優於基準模型，特別是Gemma-7b、Mistral-7b和Llama3-8b的準確率最高。研究強調了領域特定提示和硬體配置的重要性，並建議較小的模型可在消費級硬體上有效運行，且不影響準確性。CACTUS結合LLM與RDKit的化學工具，協助研究人員進行分子性質預測等任務。 PubMed DOI

大型語言模型（LLMs）顯著改變了自然語言處理（NLP）領域，尤其是在有機化學等專業領域。AIChemEco Inc. 開發的SynAsk是一個針對有機化學任務的LLM平台，能預測合成過程。它透過專門數據微調，並採用思考鏈方法，將知識庫與化學工具整合在問答格式中。功能包括化學知識庫、分子信息檢索、反應性能預測等，成為有機化學研究的重要工具。可至 https://synask.aichemeco.com 訪問。 PubMed DOI