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

這項研究評估了五種大型語言模型（LLMs）在識別基因集共同功能的有效性，並探討現有基因功能數據庫的限制。結果顯示，GPT-4在73%的案例中提出的功能與整理的基因集名稱相符，且其自信度與準確性相關。相比之下，隨機基因集的零自信率高達87%。其他模型如GPT-3.5和Gemini Pro則表現不一，經常在隨機基因集上出現錯誤自信。GPT-4在分析組學數據的基因簇時，識別出共同功能的案例達45%，顯示其在特異性和基因覆蓋率上優於傳統方法，顯示LLMs在組學研究中的潛力。 PubMed DOI

空間轉錄組學是理解組織細胞組成的重要工具，尤其在癌症研究中，腫瘤微環境至關重要。然而，數據的複雜性使解釋變得困難。本研究探討大型語言模型（LLMs）在分析小鼠黑色素瘤模型的空間轉錄組數據的應用。研究發現Claude 3.5 Sonnet在斑點量化和模式識別上表現最佳，並開發出系統化工作流程，幫助分析腫瘤免疫景觀。該模型揭示了免疫抑制機制，並顯示LLMs在空間轉錄組學中的潛力，能有效提升數據解釋的能力。 PubMed DOI

單細胞多組學技術，特別是單細胞RNA測序（scRNA-seq），讓我們更深入了解細胞的多樣性與發展。透過將基因視為單詞，並利用word2vec技術生成基因的向量表示，我們能夠進行多尺度分析，識別細胞狀態與發展軌跡。這種方法不僅計算效率高，還能在不依賴高效能計算集群的情況下進行分析，成為探索細胞發展、基因影響及組織關係的重要工具。 PubMed DOI

這項研究提出了一個新穎的流程，結合大型語言模型（LLMs）與人類專家的知識，來優先排序特定的漿細胞相關基因。流程分為兩步： 1. **高通量篩選**：利用LLMs對17個基因進行評分，最終選出五個候選基因：CD38、TNFRSF17、IGJ、TOP2A和TYMS。 2. **人類增強驗證**：專家精煉評分，確認CD38和TNFRSF17為最佳候選基因。 分析轉錄組數據後，CD38被確定為最佳選擇，TNFRSF17和IGJ則是有潛力的替代選擇。這項研究展示了結合知識與數據的方法，適用於各種生物學背景。 PubMed DOI

這項研究提出了一個新框架，結合大型語言模型（LLMs）提取的臨床特徵，以改善癌症亞型的分類。傳統方法多只專注於組學數據，忽略了臨床背景的價值。研究利用基於BERT的模型，從病理報告中提取結構化特徵，並與組學數據結合，透過自編碼器增強信息。經過奇異值分解（SVD）和光譜聚類後，結果顯示在六個癌症數據集上表現優於現有方法，強調了臨床特徵在多組學分析中的重要性，並展示了LLMs在精準醫療中的潛力。 PubMed DOI

這篇論文提出一種結合GCN、Transformer和BERT的新型空間多尺度圖卷積網路（SGTB），用來分析空間轉錄體學資料。這方法能同時抓住細胞的局部和全域空間關聯，並用BERT提升語意表現，讓細胞分類和基因調控網路建構等任務更精準有效。 PubMed DOI

Ontolomics-P 是一款操作簡單的網頁工具，專門分析蛋白質體學資料。它用 LDA 主題建模、GO 語意相似度和 GPT-4o 再註解，能把複雜的生物功能整理成清楚易懂的主題，還整合 10 種癌症的蛋白質資料，讓分析更全面、結果更好懂，幫助推動蛋白質體學研究。 PubMed DOI

傳統基因集分析彈性有限，llm2geneset 利用大型語言模型，能根據基因和自然語言描述，動態產生專屬基因集，品質媲美甚至超越人工整理。這工具在解析高通量資料和找生物過程上，比傳統方法更有效。llm2geneset 已開源，網路上可免費取得。 PubMed DOI

cGSA 是新一代 AI 基因集分析工具，運用大型語言模型，能針對特定疾病情境，精準排序相關路徑，減少雜訊和重複結果。實驗證明，cGSA 比傳統方法更有效，讓研究人員更容易找出有意義的生物學假說。 PubMed