Large Language Models as Tools for Molecular Toxicity Prediction: AI Insights into Cardiotoxicity.
大型語言模型作為分子毒性預測的工具：AI對心臟毒性的洞察。 J Chem Inf Model 2025-02-21

這項研究強調藥物毒性評估對確保藥物安全性和有效性的重要性。研究比較了GPT-4和GPT-4o在預測分子毒性方面的表現，與傳統的深度學習和機器學習模型，如WeaveGNN等，特別針對骨骼、神經和生殖毒性。結果顯示，GPT-4在某些方面表現不相上下。此外，研究還利用GPT-4結合分子對接技術，探討中藥材對心臟毒性的影響，發現黑芝麻、生薑和薑黃等成分對心臟靶點Cav1.2有顯著結合親和力，可能具心臟毒性。總體而言，這項研究展示了ChatGPT在藥物化學中的潛力，並使開發高準確度模型變得更容易。 PubMed DOI

SensitiveCancerGPT: Leveraging Generative Large Language Model on Structured Omics Data to Optimize Drug Sensitivity Prediction.
SensitiveCancerGPT：利用生成大型語言模型在結構化組學數據上優化藥物敏感性預測。 bioRxiv 2025-03-10

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

Application of Large Language Models in Drug-Induced Osteotoxicity Prediction.
大型語言模型在藥物誘導骨毒性預測中的應用。 J Chem Inf Model 2025-03-21

藥物引起的骨毒性是指某些藥物對骨骼的有害影響，這在臨床和藥物開發中都很重要。目前的毒性評估模型缺乏專門的數據和演算法。我們的研究收集了骨毒性分子的數據，並使用DeepSeek和ChatGPT等大型語言模型來預測其特性，準確率分別達到0.87和0.88。研究顯示，機器學習能有效評估藥物對骨骼健康的影響，改善安全協議，減少副作用，提升治療效果，並強調大型語言模型在預測分子毒性方面的潛力。 PubMed DOI

Kinase-substrate prediction using an autoregressive model.
自回歸模型在激酶-底物預測中的應用。 Comput Struct Biotechnol J 2025-04-07

這項研究提出了一種新方法來預測激酶與底物的關係，重點在蛋白質層級的預測，而非特定的磷酸化位點。研究將問題重新定義為蛋白質-蛋白質互作任務，利用ESM-2蛋白質大型語言模型進行編碼，並透過自回歸解碼器進行二元分類。硬負樣本抽樣策略提升了模型辨識正負互作的能力。此外，該模型具備零樣本預測能力，能識別沒有已知底物的激酶，顯示出強大的泛化能力。研究的代碼和數據可在GitHub上找到。 PubMed DOI

DrugGen enhances drug discovery with large language models and reinforcement learning.
DrugGen 結合大型語言模型與強化學習以促進新藥發現 Sci Rep 2025-04-18

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

The influence of prompt engineering on large language models for protein-protein interaction identification in biomedical literature.
即時提示工程對大型語言模型於生物醫學文獻中辨識蛋白質-蛋白質交互作用的影響 Sci Rep 2025-05-03

這篇研究比較了 GPT-3.5、GPT-4 和 Google Gemini 等大型語言模型在生物醫學文本中擷取蛋白質-蛋白質交互作用的能力。結果顯示，Gemini 1.5 Pro 表現最好，F1 分數最高達 90.3%。雖然還不如專業模型，但只要設計好提示詞，這些工具對生物醫學研究人員來說就很容易上手。 PubMed DOI

Benchmarking large language models GPT-4o, llama 3.1, and qwen 2.5 for cancer genetic variant classification.
GPT-4o、llama 3.1 與 qwen 2.5 在癌症基因變異分類的效能評比 NPJ Precis Oncol 2025-05-14

這項研究比較 GPT-4o、Llama 3.1 和 Qwen 2.5 在癌症基因變異臨床分類的表現，發現 GPT-4o 準確率最高。LLMs 在有明確證據時表現佳，但遇到證據較弱的變異時一致性較差，且容易過度分類。透過 prompt 設計和檢索增強生成可提升準確度。整體來說，LLMs 有潛力，但臨床應用還需再優化。 PubMed DOI

Harnessing the Power of Large Language Models (LLMs) to Unravel the Influence of Genes and Medications on Biological Processes of Wound Healing.
運用大型語言模型（LLMs）解析基因與藥物對傷口癒合生物過程的影響 AMIA Annu Symp Proc 2025-05-26

這項研究用 GPT-3.5 和 GPT-4 來分析科學文獻，找出基因和藥物對傷口癒合的影響。結果發現，GPT-4 在辨識和萃取這些關係上比 GPT-3.5 更準確，顯示 GPT-4 不用再訓練就能有效協助生醫研究。 PubMed

Scientific hypothesis generation by large language models: laboratory validation in breast cancer treatment.
大型語言模型於科學假說生成之應用：乳癌治療的實驗室驗證 J R Soc Interface 2025-06-04

研究人員用GPT-4提出乳癌新藥物組合，選用多種原本非治療癌症的FDA核准藥物，兩兩搭配後進行細胞實驗。結果發現，有些AI建議的組合效果比現有治療還好，顯示大型語言模型在新藥開發和科學假說產生上很有潛力。 PubMed DOI

Large Context, Deeper Insights: Harnessing Large Language Models for Advancing Protein-Protein Interaction Analysis.
大語言模型於促進蛋白質-蛋白質交互作用分析之應用：大範疇背景，深入洞見 Methods Mol Biol 2025-07-02

蛋白質-蛋白質交互作用（PPIs）對生物研究和新藥開發很關鍵。現在大型語言模型（LLMs）已能從蛋白質序列分析PPIs，處理大規模資料也沒問題。不過，還有像運算量大、資料不平衡和多種資料整合等挑戰。未來會持續優化，讓LLMs在生物領域發揮更大作用。 PubMed DOI

原始文章

站上相關主題文章列表