Harnessing large language models (LLMs) for candidate gene prioritization and selection.
利用大型語言模型（LLMs）進行候選基因優先排序和選擇。 J Transl Med 2024-03-14

研究使用大型語言模型（LLMs）探討基於知識的基因優先順序和選擇，專注於與紅血球特徵相關的血液轉錄模組。結果顯示，OpenAI的GPT-4和Anthropic的Claude在LLMs中表現最佳。研究找出了模組M9.2的頂尖基因候選者，顯示LLMs在基因選擇上的潛力，有助於提升生物醫學知識的應用價值。 PubMed DOI

GIT-Mol: A multi-modal large language model for molecular science with graph, image, and text.
GIT-Mol：一個用於分子科學的多模式大型語言模型，具備圖形、影像和文字功能。 Comput Biol Med 2024-03-21

大型語言模型在自然語言處理領域有重要作用，現在也用在分子科學，但處理複雜分子結構和圖像有困難。GIT-Mol整合圖形、圖像和文本的多模式語言模型GIT-Former，將各模式統一處理，提升性質預測和分子生成的準確性。可應用於化合物名稱辨識和化學反應預測。 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

Can large language models understand molecules?
大型語言模型能理解分子嗎？ BMC Bioinformatics 2024-06-26

LLMs如GPT和LLaMA在化學領域有潛力，尤其在用SMILES表示化學結構。研究比較後發現，LLaMA在分子性質和藥物相互作用預測上比GPT表現更好。LLaMA的SMILES嵌入在分子預測與預訓練模型相當，藥物相互作用預測更佳。這研究強調LLMs在分子嵌入有潛力，值得進一步探索。詳情請看GitHub：https://github.com/sshaghayeghs/LLaMA-VS-GPT。 PubMed DOI

Unlocking comprehensive molecular design across all scenarios with large language model and unordered chemical language.
利用大型語言模型和無序化學語言解鎖各種情境下的全面分子設計。 Chem Sci 2024-08-30

分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

GPCRSPACE: A New GPCR Real Expanded Library Based on Large Language Models Architecture and Positive Sample Machine Learning Strategies.
GPCRSPACE：基於大型語言模型架構和正樣本機器學習策略的新型 GPCR 實體擴展庫。 J Med Chem 2024-09-17

針對G蛋白偶聯受體（GPCRs）開發新療法對藥物發現非常重要，因為這些受體在生理過程中扮演關鍵角色。雖然已有許多針對GPCRs的藥物，但仍缺乏選擇性調節劑，這顯示出新療法的潛力。我們推出了GPCRSPACE，這是一個專為GPCR設計的可購買化學庫，利用G蛋白偶聯受體大型語言模型（GPCR LLM）創建。這種創新方法減少了假陰性，簡化了負樣本標記，並提升了GPCR互動分子的識別與篩選，成為GPCR藥物發現的重要資產。 PubMed DOI

Discovering Photoswitchable Molecules for Drug Delivery with Large Language Models and Chemist Instruction Training.
利用大型語言模型和化學家指導訓練發現可光開關的藥物傳遞分子。 Pharmaceuticals (Basel) 2024-10-26

大型語言模型（LLMs）在藥物傳遞材料設計中展現潛力。我們使用Hugging Face的Transformers套件，透過BigBird、Gemma和GPT NeoX等架構進行預訓練和微調，並結合化學家的指導進行優化。研究結果顯示，整合化學見解對於提升模型性能至關重要。我們設計了光響應藥物傳遞分子，並探討了人類反饋在強化學習中的角色。最終，我們建立了一個高效的設計流程，但缺乏專門數據集仍是挑戰。 PubMed DOI

原始文章

站上相關主題文章列表