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

Deep Learning for Genomics: From Early Neural Nets to Modern Large Language Models.
基因組學的深度學習：從早期神經網絡到現代大型語言模型。 Int J Mol Sci 2023-11-22

基因體研究進步快速，高通量测序技術帶來龐大數據，挑戰傳統方法。深度學習在視覺、語音成功，但在基因體學需超越人智。有效深度學習模型需結合任務知識。本文討論不同模型優勢，應用於基因體學，並探討實際開發考量。深度學習在基因體學應用及挑戰，未來研究方向，合作多樣數據、快速迭代是關鍵。 PubMed DOI

Genetic Discovery Enabled by A Large Language Model.
一個大型語言模型帶來的基因學發現。 bioRxiv 2023-12-06

人工智慧在醫學上有潛力，特別是像Med-PaLM 2這樣的大型語言模型。研究使用老鼠基因數據，成功找出與糖尿病、白內障等相關的基因，還發現了導致聽力喪失的遺傳因素，促使新易感性模型的發展。Med-PaLM 2可分析基因表現型關係，提出新假設，有助於加速基因研究。 PubMed DOI

Large language models in bioinformatics: applications and perspectives.
生物信息學中的大型語言模型：應用與展望。 ArXiv 2024-02-01

大型語言模型（LLMs）是強大的人工智慧模型，應用在自然語言處理等任務上表現優異。透過深度學習技術，利用龐大數據訓練神經網絡的參數。LLMs在生物資訊領域展現潛力，可能超越語言建模能力。本文討論了知名的LLMs如BERT和GPT在生物資訊中的應用，包括基因組學、轉錄組學、蛋白質組學、藥物發現和單細胞分析，並強調了LLMs在應對生物資訊挑戰上的潛力。 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

Genomic Language Models: Opportunities and Challenges.
基因組語言模型：機會與挑戰。 ArXiv 2024-07-29

大型語言模型（LLMs）正在改變科學界，尤其是生物醫學領域。生物學的重點在於理解生物序列，這與自然語言處理的目標相似。基因組語言模型（gLMs）專門針對DNA序列訓練，能幫助我們更好地理解基因組及DNA元素的互動，進而揭示複雜的生物功能。這篇評論強調了gLMs在適應性預測、序列設計和轉移學習等方面的潛力，但在創建有效的gLMs時仍面臨挑戰，特別是對於大型且複雜的基因組物種。還討論了gLMs開發和評估時需考慮的重要因素。 PubMed DOI

Are Genomic Language Models All You Need? Exploring Genomic Language Models on Protein Downstream Tasks.
基因語言模型是否足夠？探索基因語言模型在蛋白質下游任務中的應用。 Bioinformatics 2024-08-30

這項研究探討基因組語言模型（gLMs）在蛋白質相關任務上的表現，並與蛋白質語言模型（pLMs）進行比較。研究人員整理了五個數據集，將編碼DNA序列（CDS）與蛋白質連結。結果顯示，gLMs在某些任務上表現優於pLMs，特別是使用檢索的CDS時。此外，聯合基因組-蛋白質模型展現了更佳的表現。研究還開發了一種新的核苷酸變壓器模型，使用3mer標記化，表現優於6mer版本。這顯示gLMs在蛋白質組學中的潛力，並建議統一基因組學與蛋白質組學的方法。作者已公開代碼和數據集。 PubMed DOI

Distinguishing word identity and sequence context in DNA language models.
在 DNA 語言模型中區分詞彙身份和序列上下文。 BMC Bioinformatics 2024-09-13

基於變壓器的語言模型（LLMs）在分析生物序列數據上表現優異，因為它們能學習複雜關係，類似於處理自然語言的方式。我們的研究聚焦於DNABERT，這是一個專為人類基因組訓練的DNA語言模型，使用重疊的k-mer作為標記。我們開發了一種方法來研究模型的學習過程，並評估其在特定任務中的有效性。結果顯示，雖然重疊k-mer模型在基因組相關任務中表現良好，但在學習較大序列上下文時卻面臨挑戰，這強調了檢視生物LLMs知識表徵的重要性。 PubMed DOI

Generative language models on nucleotide sequences of human genes.
人類基因核苷酸序列的生成語言模型。 Sci Rep 2024-09-27

您的研究揭示了自然語言處理（NLP）技術與生物資訊學的潛在交集，特別是在DNA序列方面。您將DNA視為由四種核苷酸組成的語言，並將NLP模型如BERT和GPT-3應用於基因組學。專注於人類基因序列使數據集更易管理，且循環神經網絡（RNN）在生成DNA序列上表現優於傳統N-gram方法，顯示複雜模型能更好捕捉生物數據的細微差異。此外，您對詞彙大小對數據需求的影響進行調查，結果顯示較小的詞彙並不一定減少訓練數據需求。整體而言，您的研究為DNA序列生成建模開啟了新方向，可能促進生物資訊學的進步。 PubMed DOI

Large language models and their applications in bioinformatics.
大型語言模型及其在生物資訊學中的應用。 Comput Struct Biotechnol J 2024-10-22

最近，自然語言處理（NLP）領域因大型語言模型（LLMs）的出現而有了重大進展。這些模型基於深度學習架構，如變壓器（transformers），擁有數十億的參數和龐大的訓練數據，能在各種任務中達到高準確度。LLMs不僅在傳統NLP應用上表現出色，還在生物信息學中解決了複雜數據集的挑戰，協助基因組學和藥物發現等領域的研究，為生命科學的新發現鋪路。 PubMed DOI

原始文章

站上相關主題文章列表