原始文章

基因工程,特別是CRISPR技術的引入,徹底改變了生物醫學研究,讓精確基因修改成為可能。不過,利用這些技術需要深入了解CRISPR及其實驗背景。為此,我們提出CRISPR-GPT,這是一個結合專業知識的大型語言模型,旨在簡化基因編輯實驗設計。CRISPR-GPT能協助選擇CRISPR系統、設計引導RNA、推薦傳遞方法等,並計劃驗證實驗。我們展示了它對非專家研究者的實用性,並探討了自動化基因編輯的倫理與監管影響,強調負責任的實踐。 PubMed DOI


站上相關主題文章列表

GeneGPT是一種教導大型語言模型使用NCBI網站回答基因組問題的方法。研究顯示GeneGPT在基因組任務上表現優異,平均得分達0.83。應用程式示範對上下文學習有效,GeneGPT能處理多跳問題,未來可增強特定錯誤類型。 PubMed DOI

本研究使用OpenAI的GPT-4大型語言模型,評估其在功能基因組學中的應用價值。結果顯示,GPT-4能夠生成具有生物醫學知識的基因功能假設,並提供比傳統方法更豐富的資訊。這顯示大型語言模型在功能基因組學研究中具有潛力成為有用的工具。 PubMed DOI

生物醫學資料庫增加快速,分析資料對生物學和醫學至關重要。現有工具常難以完整處理條目或像人類一樣修正錯誤。大型語言模型(LLMs)如ChatGPT提供了新的查詢資料庫方式,但在擴展規模時會有挑戰。ChIP-GPT是基於GPT模型Llama微調的,能高精確度從序列讀取存檔中提取元數據。它能處理打字錯誤和缺失標籤,適應各種資料庫和問題。 PubMed DOI

GeneGPT是一種新方法,教導大型語言模型利用NCBI網站回答基因組學問題。研究顯示GeneGPT在基準任務中表現優異,得分0.83超越其他模型。研究強調GeneGPT處理多跳問題的能力,並提供改進見解。程式碼和數據可在GitHub找到。 PubMed DOI

CRISPR-Cas 系統的引入大幅推進了基因編輯技術。傳統上,發現 Cas 蛋白常依賴序列相似性,可能會忽略遠端同源物。隨著大型語言模型的發展,現在可以在不需大量訓練數據的情況下對 Cas 系統進行建模。我們提出的 CHOOSER 框架,能無需對齊地發現 CRISPR-Cas 系統,特別是具自我處理 pre-crRNA 能力的系統。透過 CHOOSER,我們識別出 11 個新 Casλ 同源物,顯示其在基因編輯領域的潛力。 PubMed DOI

ProtChat是一個創新的AI多代理系統,專門用於蛋白質分析,結合了蛋白質大型語言模型和像GPT-4這樣的技術。它能自動化複雜任務,如預測蛋白質特性和分析蛋白質-藥物相互作用,大幅減少人力需求。即使沒有計算背景的研究人員也能輕鬆使用,提升分析效率。實驗結果顯示,ProtChat能快速且準確地處理蛋白質相關任務,為計算生物學和藥物發現開創新機會。其程式碼和數據已在GitHub上公開,鼓勵更多人探索應用。 PubMed DOI

這段文字探討大型語言模型(LLMs)如ChatGPT在生物資訊學,特別是基因組學中的限制,提到資料檢索不佳、幻覺及序列操作錯誤等問題。為了解決這些挑戰,作者提出NagGPT作為LLMs與資料庫的橋樑,幫助精煉查詢並提高資訊準確性。此外,還介紹了Genomics Fetcher-Analyzer,這個自訂GPT能讓ChatGPT生成並執行Python程式碼,進行生物資訊學任務,並使用各種基因組資料庫的資料。整體目的是增強ChatGPT在生物資訊學的功能,提升事實準確性和遵循指示的能力。 PubMed DOI

這篇論文探討大型語言模型(LLMs),特別是GPT-3.5和GPT-4,在數據提取和呈現的有效性,並與人類策展人比較。研究聚焦於小麥和大麥的遺傳特徵,使用36篇期刊文章的資料供GrainGenes數據庫使用。主要發現包括:GPT-4在分類手稿準確率達97%,有效提取80%特徵,並顯示人類與AI合作的潛力。儘管LLMs有其限制,但在生物數據提取上仍能提供顯著幫助,使用者需謹慎對待不準確性。 PubMed DOI

基因編輯(GE)是生命科學中的重要工具,但因物種、基因序列及工具不同,編輯某些基因會遇到挑戰。為了提升基因編輯研究的設計,確認文獻中基因編輯的實踐至關重要。基因編輯元數據庫(GEM)提供了有用的資訊,但對特定基因的參與細節仍不足。 本研究開發了一種系統性方法,利用大型語言模型從GEM及相關文獻中提取關鍵資訊,讓基因編輯數據的調查更全面。我們還提出將這些資訊轉換為指標,以優先考慮未來的研究基因。最終的基因編輯資訊和評分系統旨在簡化目標基因的選擇,改善研究設計。欲了解更多,請訪問以下網址:https://github.com/szktkyk/extract_geinfo 和 https://github.com/szktkyk/visualize_geinfo。 PubMed DOI

這項研究探討生成大型語言模型(LLMs),特別是GPT,在癌細胞系藥物敏感性預測(DSP)中的應用。研究調整了提示工程技術,提升GPT在藥物基因組學數據上的表現,並與現有基準比較。 主要發現包括: 1. 開發三種提示模板,提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數,表現最佳。 3. GPT在GDSC數據集上F1分數提高16%,展現強大泛化能力。 4. 提供藥物與通路關聯的見解,與先前發現一致。 總體而言,研究顯示GPT可作為精準腫瘤學的有效工具,改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI