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

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

研究使用ChatGPT自動化生物醫學文獻審閱，以加速新興傳染病時的藥物發現。測試結果顯示，與專家相比，ChatGPT在準確性和效能上表現優異，尤其在識別SARS-CoV-2和尼帕病毒的藥物靶點方面。這研究顯示ChatGPT在全球衛生緊急情況下，對加速藥物發現和靶點識別有相當潛力。 PubMed DOI

AMPs是短肽，可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響，難以控制。GPT-3已用於預測AMP活性和毒性，但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型，但需重新評估大型語言模型的潛力。 PubMed DOI

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

歐洲食品安全局（EFSA）正在努力改善化學風險評估，特別是利用來自科學文獻的非結構化數據。'AI4NAMS'專案探討使用大型語言模型（LLMs），如GPT系列，來提升基於新方法論（NAMs）的數據提取與整合。針對雙酚A（BPA）的案例研究中，微調的GPT-3模型（Curie）在提取任務上表現優於現成的模型（text-davinci-002和text-davinci-003），顯示微調的效果及技術進步對模型性能的提升有顯著貢獻，進一步推動AI在科學與監管領域的應用。 PubMed DOI

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 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

大型語言模型（LLM）技術為合成化學帶來了新機會。我們開發了一個基於LLM的反應開發框架（LLM-RDF），利用GPT-4簡化化學合成任務。這個框架包含六個專門的代理，能執行文獻搜尋、實驗設計、硬體執行等功能。我們還創建了一個網頁應用程式，讓化學家能用自然語言與自動化實驗平台互動，無需編碼技能。LLM-RDF在銅/TEMPO催化的醇類氧化反應中展現了其完整的合成開發能力，並在多種反應中證明了其廣泛適用性。 PubMed DOI