原始文章

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰,並提出了一種混合方法,結合文本挖掘、圖神經網絡(GNNs)和微調的大型語言模型(LLMs)。這種方法旨在增強生物醫學知識圖譜,並解釋預測的關係。研究顯示,該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數,並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現,並提高文獻分析的效率。 PubMed DOI


站上相關主題文章列表

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

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

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

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

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

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

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

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

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

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