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