原始文章

這項研究強調了大型語言模型(LLMs),特別是GPT-4,在提取氧化壓力相關毒理學資訊方面的潛力。研究團隊建立了一個完整的流程,從7,166篇文章中提取了17,780條記錄,識別出2,558種獨特化合物,並發現過去20年對氧化壓力的研究興趣逐漸上升。 研究編制了促氧化劑(1,416種)和抗氧化劑(1,102種)的清單,主要包括藥物、農藥和金屬等類別。結構分析顯示了特定子結構與促氧化劑和抗氧化劑的關聯。總體而言,這項研究證明了基於LLM的文本挖掘能有效建立毒理學數據庫,為未來環境與健康研究提供重要見解。 PubMed DOI


站上相關主題文章列表

毒理學家利用AOPs來了解化合物對生物體的危害,透過描述不良結果的相互作用,建立AOPs需要耗時的手動文獻審查。NLP技術可以快速且精確地從科學文獻中提取信息,簡化研究過程,讓研究人員專注於評估AOPs。這項研究展示了NLP如何從文本中提取肝臟不良反應的信息,提供了毒理學研究的實用模板,並在GitHub上分享相關資源。 PubMed DOI

大型語言模型(LLMs),如OpenAI的GPT系列,在醫學領域展現潛力,特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力,結果顯示LLM在一般毒性類別的準確率為85.7%,但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當,但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力,並考量數據準確性和隱私等倫理問題。總體而言,LLMs有潛力提升病人護理質量與效率。 PubMed DOI

這項研究提出了一種新方法,旨在從大規模血液轉錄組數據中找出最佳候選基因,特別針對BloodGen3庫中的M14.51模組。研究人員利用大型語言模型(如GPT-4和Claude)進行高通量篩選,根據六個標準對基因進行評分。最終,谷胱甘肽過氧化物酶4(GPX4)被確認為最佳候選基因,因其在調節氧化壓力及作為藥物靶點的潛力。這項研究展示了結合AI分析與人類專家驗證的先進工作流程,強調了GPX4在生物標記發現中的潛力,但仍需進一步驗證其廣泛適用性。 PubMed DOI

隨著對能源儲存電池需求的增加,廢電池處理的環境問題也日益受到關注。有效回收貴重金屬如鎳、鈷和錳至關重要,但傳統水冶金方法常用有害化學物質。研究提出結合天然多酚作為環保沉澱劑,並利用GPT-4優化回收過程。結果顯示,單寧酸對金屬離子的沉澱率分別達94.8%、96.7%和96.7%,超越傳統方法。這一創新不僅提高效率,還促進環境可持續性,展現人工智慧與綠色化學結合的潛力。 PubMed DOI

這項研究探討了GPT-4在評估藥物對肝臟、心臟和腎臟健康的毒性時的可靠性,並將其結果與FDA藥物標籤的專家評估進行比較。研究使用了兩種提示方式:一般提示和專家提示。結果顯示,專家提示的準確率(64-75%)高於一般提示(48-72%),但兩者的表現都只是中等。這提醒我們在公共健康應用中使用GPT-4時需謹慎,並建議採用檢索增強生成(RAG)等先進框架來提升其可靠性。 PubMed DOI

人工智慧(AI)透過深度學習技術,特別是卷積神經網絡(CNNs),已在各領域帶來重大變革。自1990年代Yann LeCun提出以來,CNNs被廣泛應用於醫療診斷、自動駕駛、金融預測及圖像識別等。分析化學方面,深度學習提升了質譜、核磁共振等數據分析的效果。隨著大型語言模型(LLMs)如ChatGPT的興起,自然語言處理也獲得了新動力。本文探討如何利用智能手機和LLM進行激光誘導擊穿光譜(LIBS)數據的互動式分析,顯示LLMs在未來分析化學中的重要性。 PubMed DOI

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

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

這項研究探討大型語言模型(LLMs),如GPT-3.5、GPT-4.0和Claude-opus,在化學與疾病關係提取中的挑戰,特別是標註數據不足的情況。研究發現,這些模型在精確提取上達87%的F1分數,但全面提取僅73%。模型在提示工程上的改進有限,且對正向關係的識別較佳。提取錯誤多因模型誤解生物醫學文本的隱含意義。最後,研究提供了增強提取任務的工作流程,並強調優化訓練數據的重要性。 PubMed DOI

這項研究用大型語言模型和提示工程,自動從論文中擷取奈米毒性資料,準確度很高(F1 分數最高87.6%)。擷取的資料再用來訓練機器學習模型,預測奈米毒性時F1分數也超過86%。這方法有效減少人工整理資料的負擔,還能提升資料品質,對奈米毒性研究很有幫助。 PubMed DOI