Generative Artificial Intelligence GPT-4 Accelerates Knowledge Mining and Machine Learning for Synthetic Biology.
生成人工智慧 GPT-4 加速合成生物學的知識挖掘和機器學習。 ACS Synth Biol 2023-10-24

合成生物學期刊文章提取知識應用於機器學習需耗時。使用GPT-4可加速提取微生物在複雜條件下的表現資訊。一研究利用GPT-4管線從176篇文章中擷取數據，總計2037個數據實例。機器學習模型如隨機森林可預測Yarrowia的發酵濃度，R^2為0.86。透過轉移學習，可評估Rhodosporidium toruloides的生產潛力。研究顯示AI如何從文章中提取資訊，有助於預測生物製造發展。 PubMed DOI

The promises of large language models for protein design and modeling.
大型語言模型在蛋白質設計和建模中的潛力。 Front Bioinform 2023-12-11

最新的語言模型對蛋白質研究有重大影響，特別是GPT-4等模型展現出潛力，可應用在蛋白質領域。蛋白質語言模型已顯示出預測和創新蛋白質的能力，並取得重要進展。本文討論了這個新興領域的機會和挑戰，並提供了LLMs對蛋白質研究的影響。 PubMed DOI

The Future of Molecular Studies through the Lens of Large Language Models.
大型語言模型視角下的分子研究未來。 J Chem Inf Model 2024-03-13

像GPT-4這樣的先進語言模型的發展正在改變分子研究領域。我們對GPT-4和GPT-3.5的比較顯示，GPT-4在分子優化的某些領域表現優異，但在處理複雜分子時卻遇到困難。我們建議未來的研究方向，以克服這些挑戰並增進分子科學的發展。 PubMed DOI

reguloGPT: Harnessing GPT for Knowledge Graph Construction of Molecular Regulatory Pathways.
reguloGPT: 利用 GPT 進行分子調控途徑知識圖譜建構。 bioRxiv 2024-02-12

了解分子調控途徑（MRPs）對生物功能很重要，知識圖譜（KGs）有助於分析MRPs。目前從生物醫學文獻中挖掘KGs的工具有限。大型語言模型（LLMs）如GPT-4有潛力解決這挑戰。reguloGPT利用GPT-4進行KG構建，相較現有方法有明顯改進。m<sup>6</sup>A-KG是使用reguloGPT預測構建的，展示了在理解癌症調控機制方面的實用性。 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

Comprehensive Research on Druggable Proteins: From PSSM to Pre-Trained Language Models.
從PSSM到預訓練語言模型：可藥物靶蛋白的全面研究。 Int J Mol Sci 2024-04-27

蛋白質在藥物研發中扮演重要角色，但傳統方法太貴又太慢。研究引入了一個快速又精確的分類器，使用了帶有ESM-2嵌入的蛋白質語言模型（PLM），準確率達95.11%。比較結果顯示，ESM-2嵌入比PSSM特徵更優。同時，開發了基於GPT-2的端對端模型，將大型語言模型成功應用在蛋白質辨識上，並經Pharos數據集驗證表現。 PubMed DOI

GPT-4 as a biomedical simulator.
GPT-4作為生物醫學模擬器。 Comput Biol Med 2024-06-23

研究指出使用 GPT-4 模型作為生物系統模擬器有潛力，稱為 SimulateGPT。專家評估發現在基因必需性和癌症存活預測等實驗中表現良好。這種語言模型或許可用於建立生物醫學模擬器，特別適用於處理大量以文字呈現的知識和複雜系統。未來發展可考慮整合網頁檢索、數學建模和實驗數據微調。 PubMed DOI

Generative artificial intelligence performs rudimentary structural biology modeling.
生成式人工智慧執行基本的結構生物學建模。 Sci Rep 2024-08-21

這項研究探討了GPT-4在基本結構生物學任務上的表現。研究人員讓GPT-4創建20種氨基酸和一條α-螺旋多肽的3D模型，並用Wolfram進行數學計算。他們還分析了抗病毒藥物nirmatrelvir與SARS-CoV-2主要蛋白酶的結構互動。結果顯示，生成的結構大多與實驗數據一致，雖然在某些複雜分子上會有錯誤。總體來看，GPT-4在結構生物學建模和原子尺度互動分析上仍具有效性，儘管有些限制。 PubMed DOI

Evaluating GPT and BERT models for protein-protein interaction identification in biomedical text.
評估 GPT 和 BERT 模型在生物醫學文本中識別蛋白質-蛋白質相互作用的效果。 Bioinform Adv 2024-09-25

檢測蛋白質-蛋白質相互作用（PPIs）對於理解遺傳機制和疾病發展非常重要。隨著生物醫學文獻的增加，自動化提取這些相互作用的需求也愈加迫切。本研究評估了多種基於變壓器的模型在PPIs識別中的效果，發現BioBERT在多個數據集上表現最佳，達到91.95%的召回率。值得注意的是，雖然GPT-4並未專門針對生物醫學文本訓練，但其表現也相當出色，顯示出在生物醫學文獻挖掘上的潛力。相關代碼和數據集可在GitHub上獲得。 PubMed DOI

A comprehensive evaluation of large language models in mining gene relations and pathway knowledge.
大型語言模型在挖掘基因關係和途徑知識中的綜合評估。 Quant Biol 2024-10-04

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

原始文章

站上相關主題文章列表