深度學習，特別是大型語言模型（LLMs），在植物生物學中展現出很大的潛力，能為植物細胞系統提供新見解。蛋白質語言模型（PLMs）提升了我們分析核酸和蛋白質序列的能力，揭示生物數據中的複雜模式和關係。這不僅有助於識別序列模式和結構-功能關係，還能促進農業基因改良。透過整合深度學習，我們在植物性狀的基礎研究上能取得顯著進展。因此，戰略性地應用這些方法對推進植物科學和可持續農業至關重要。 PubMed DOI

這項研究評估了21個大型語言模型（LLMs）在檢索生物知識的有效性，特別針對基因調控和KEGG途徑。隨著生物文獻的快速增長，傳統手動整理已不再足夠，LLMs成為一個有前景的替代方案。 結果顯示，模型性能差異明顯，GPT-4和Claude-Pro在基因調控關係的F1分數分別為0.4448和0.4386，KEGG途徑的Jaccard指數也表現強勁。相比之下，開源模型表現較差。研究強調選擇合適模型的重要性，並提供了LLMs在生物研究中的應用見解，相關代碼已在GitHub上公開。 PubMed DOI

電子表型化是一個複雜的過程，涉及分析結構化和非結構化數據，使用規則技術、機器學習和自然語言處理。目前，準確的表型定義需要大量人力，主要依賴文獻回顧和專業知識，這使得擴展困難。大型語言模型（LLMs）提供自動提取表型定義的潛力，但也面臨可靠性和準確性等挑戰。我們的研究目標是建立標準評估集，確保模型輸出可靠，並測試不同提示策略以提取表型定義。結果顯示，雖然有進展，但仍需人類評估，且我們的方法有潛力減少文獻回顧所需時間。 PubMed DOI

這篇文章探討如何將大型語言模型（LLMs）融入科學工作流程，將原始文本轉化為有條理的敘事，並運用語義網技術。文章強調敘事在傳遞複雜科學資訊中的重要性，以及生成文本的可靠性。研究定義了「敘事事件」，並比較了不同小型LLM在特定需求下的表現，重點在於保持原始敘事的完整性。初步評估顯示，LLaMA 2在生成與源文本緊密對齊的敘事事件方面最為有效，並且透過提示工程技術進一步提升了輸出質量。 PubMed DOI

這項研究評估大型語言模型（LLMs）在107項補充醫學試驗中的數據提取及偏見風險評估的效果。僅用LLM的方法，如Moonshot-v1-128k和Claude-3.5-sonnet，準確率達95%以上；而LLM輔助的方法更佳，準確率可達97%以上。此外，LLM輔助的方法處理時間大幅縮短，分別只需14.7分鐘和5.9分鐘，傳統方法則需86.9分鐘和10.4分鐘。這些結果顯示，LLM結合人類專業知識能有效提升證據綜合的效率與準確性。 PubMed DOI

這篇回顧探討大型語言模型（LLMs）在腫瘤學中自動提取非結構化臨床文本的應用，強調其在提升癌症研究和病人照護的潛力。回顧分析了自2000年以來的24項研究，發現大多數使用BERT變體，少數使用Chat-GPT。研究顯示，LLMs能有效提取數據，減少醫療人員的手動工作量，並建議可減輕行政負擔，讓醫護人員更專注於病人照護。未來需進一步研究其在臨床實踐中的整合及表現。 PubMed DOI

目前食品擠壓研究缺乏標準化資料集，影響進展。作者建立人工整理的資料集，並測試大型語言模型（LLMs）自動擷取文獻資料的能力。結果發現，LLMs 雖然偶有錯誤或遺漏，但能大幅減少人工整理時間，是輔助建立資料集、加速研究的有力工具。 PubMed DOI

這篇論文提出 LMCEE 方法，把大型語言模型和 prompt learning 結合來擷取臨床事件，F1 分數明顯勝過傳統和舊有生成式方法。不過，LMCEE 的效果很依賴 prompt 設計和 LLM 選擇，還有進步空間。 PubMed DOI

這項研究發現，大型語言模型（LLMs）能自動從文本中擷取蛋白質交互等分子資料，表現比人工處理更有效率。雖然在部分基因細節上還有困難，但整體來說，LLMs有助於加速生物知識的發現與應用。 PubMed DOI

SeedLLM·Rice 是專為稻米研究打造的大型語言模型（7B 參數），訓練資料涵蓋全球 140 萬篇稻米文獻。它在稻米生物學任務上的表現超越 GPT-4o 等通用模型，主要因為整合了完整的稻米生物知識圖譜和創新的人類評估框架。這個模型免費開放，能協助全球稻米研究與作物改良。 PubMed DOI