Large Language Model-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 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

Large language models surpass human experts in predicting neuroscience results.
大型語言模型在預測神經科學結果方面超越人類專家。 Nat Hum Behav 2024-11-28

這份摘要強調大型語言模型（LLMs）在預測實驗結果方面的潛力，特別是在神經科學領域。研究介紹了BrainBench，一個評估LLMs預測能力的基準測試。結果顯示，LLMs在預測上可超越人類專家，而專門模型BrainGPT的準確性更高。當LLMs表現出高度信心時，預測也相對可靠，顯示它們在協助人類發現過程中的潛在角色。這種方法論不僅適用於神經科學，還可能對其他知識密集型領域產生廣泛影響。 PubMed DOI

An Automatic and End-to-End System for Rare Disease Knowledge Graph Construction Based on Ontology-Enhanced Large Language Models: Development Study.
基於本體增強大型語言模型的罕見疾病知識圖譜構建自動化端到端系統：開發研究。 JMIR Med Inform 2024-12-18

罕見疾病影響全球數百萬人，但因為盛行率低，研究關注有限，且缺乏特定的 ICD 代碼，讓臨床試驗中的患者識別變得困難。為了解決這個問題，我們開發了名為自動化罕見疾病挖掘（AutoRD）的系統，能自動提取醫學文本中的罕見疾病資訊。AutoRD 整合了醫學知識圖譜，並在實體和關係提取上表現優異，特別是在罕見疾病實體提取上達到 83.5% 的 F1 分數，顯示出其在醫療保健轉型中的潛力。 PubMed DOI

Knowledge graph-based thought: a knowledge graph-enhanced LLM framework for pan-cancer question answering.
基於知識圖譜的思維：一個知識圖譜增強的 LLM 框架，用於泛癌症問答。 Gigascience 2025-01-08

近年來，大型語言模型（LLMs）在生物醫學領域展現潛力，但常面臨錯誤輸出和幻覺等問題。為了解決這些挑戰，我們開發了基於知識圖譜的思維（KGT）框架，將LLMs與知識圖譜結合，透過整合可驗證資訊來增強回應，顯著減少推理錯誤。KGT框架適應性強，能在多種開源LLMs中表現良好，並能發現藥物新用途及預測抗藥性。總體而言，KGT框架提升了LLMs在生物醫學的準確性與實用性。 PubMed DOI

A scientific-article key-insight extraction system based on multi-actor of fine-tuned open-source large language models.
基於多演員的微調開源大型語言模型的科學文章關鍵洞察提取系統。 Sci Rep 2025-01-10

隨著科學文章數量快速增加，如何組織和提取資訊成為一大挑戰，顯示出自動化的必要性。本研究探討利用大型語言模型（如OpenAI的GPT-4.0）來提取科學文獻中的關鍵洞察。我們開發了名為ArticleLLM的系統，透過手動基準微調來提升模型表現，並採用多演員LLM策略，結合多個微調模型的優勢，增強提取效果。本研究顯示LLMs在關鍵洞察提取上的潛力，並強調協作微調的好處，有助於提升學術文獻調查與知識發現的效率。 PubMed DOI

Integrating NLP and LLMs to discover biomarkers and mechanisms in Alzheimer's disease.
整合 NLP 和 LLMs 以發現阿茲海默症中的生物標記和機制。 SLAS Technol 2025-02-23

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

A large language model framework for literature-based disease-gene association prediction.
基於文獻的疾病-基因關聯預測的大型語言模型框架。 Brief Bioinform 2025-02-25

隨著生物醫學文獻的快速增長，使用大型語言模型（LLMs）來理解精準醫療變得越來越重要。然而，現有方法在提取複雜生物關係時面臨可靠性和可擴展性等挑戰。為了解決這些問題，我們提出了LORE，一種創新的無監督兩階段閱讀方法，將文獻視為可驗證的知識圖譜，並以語義嵌入表示。應用於PubMed摘要時，LORE能有效捕捉基因致病性信息，並在識別疾病相關基因方面達到90%的精確度，為研究人員提供了新的潛在治療靶點識別途徑。 PubMed DOI

Large Language Model-Driven Knowledge Graph Construction in Sepsis Care Using Multicenter Clinical Databases: Development and Usability Study.
多中心臨床數據庫在敗血症護理中驅動大型語言模型的知識圖譜構建：開發與可用性研究。 J Med Internet Res 2025-03-27

這項研究利用GPT-4.0整合臨床數據，開發了一個全面的敗血症知識圖譜。敗血症是一種變異性大的病症，傳統知識圖譜建構困難。研究者從中國西部三家醫院建立了多中心敗血症數據庫，收集了10,544名患者的數據。透過GPT-4.0的技術，成功生成了包含1,894個節點和2,021個關係的知識圖譜，顯示其在實體識別和關係提取上的優越性。這項成果不僅增進了對敗血症的理解，也為臨床決策提供了支持，成為未來研究的寶貴資源。 PubMed DOI

原始文章

站上相關主題文章列表