Assessing GPT-4 for cell type annotation in single-cell RNA-seq analysis.
在單細胞RNA序列分析中評估GPT-4用於細胞類型標註。 bioRxiv 2024-04-08

單細胞RNA分析中標註細胞類型耗時且需要專業知識，但使用GPT-4大型語言模型能自動且精確標註。它與手動標註一致，可減少標註的工作量。為了推廣GPT-4的應用，開發了開源軟體套件GPTCelltype。 PubMed DOI

Reference-free and cost-effective automated cell type annotation with GPT-4 in single-cell RNA-seq analysis.
在單細胞RNA序列分析中，使用GPT-4進行無參考和具成本效益的自動細胞類型標註。 Res Sq 2024-04-08

在單細胞RNA序列分析中，細胞類型的標註是重要的，但也很耗時。GPT-4，一個強大的語言模型，可以利用標記基因信息自動準確地標註細胞類型。已經證明它在各種組織和細胞類型上表現良好，有潛力減少標註細胞類型所需的努力和專業知識。 PubMed DOI

GenePT: A Simple But Effective Foundation Model for Genes and Cells Built From ChatGPT.
GenePT：從ChatGPT建立的基因和細胞的簡單而有效的基礎模型。 bioRxiv 2024-03-25

單細胞生物學領域近期有新進展，Geneformer和scGPT等複雜模型能從基因表現數據學習功能。GenePT是一簡單替代方案，利用ChatGPT嵌入基因，無需大量數據或訓練即可生成基因和細胞嵌入。GenePT在各項任務上表現優異，顯示利用語言模型嵌入可有效建立生物模型。 PubMed DOI

GeneGPT: augmenting large language models with domain tools for improved access to biomedical information.
GeneGPT: 利用領域工具增強大型語言模型，以提高對生物醫學信息的訪問。 Bioinformatics 2024-03-04

GeneGPT是一種新方法，教導大型語言模型利用NCBI網站回答基因組學問題。研究顯示GeneGPT在基準任務中表現優異，得分0.83超越其他模型。研究強調GeneGPT處理多跳問題的能力，並提供改進見解。程式碼和數據可在GitHub找到。 PubMed DOI

Parameter-Efficient Fine-Tuning Enhances Adaptation of Single Cell Large Language Model for Cell Type Identification.
單細胞大型語言模型在細胞類型識別中的參數高效微調增強適應性。 bioRxiv 2024-02-20

單細胞测序技術革新生醫領域，但數據變異挑戰多。新scLLMs可辨識共同模式，解決問題。現有scLLMs在零-shot表現待加強，需更好適應。PEFT策略提出，改進scLLMs細胞辨識，性能提升且參數減少90%。此法有效提升單細胞模型應用效率。 PubMed DOI

Assessing GPT-4 for cell type annotation in single-cell RNA-seq analysis.
在單細胞RNA序列分析中評估GPT-4用於細胞類型標註。 Nat Methods 2024-04-08

在這項研究中，我們展示了GPT-4可以在單細胞RNA序列分析中使用標記基因數據準確標記細胞類型。GPT-4的標記與各種組織和細胞類型的手動標記相符，簡化了細胞類型標記的過程。我們還開發了一個名為GPTCelltype的R軟體套件，用於使用GPT-4進行自動細胞類型標記。 PubMed DOI

Large language models in plant biology.
植物生物學中的大型語言模型。 Trends Plant Sci 2024-05-26

像ChatGPT這樣的大型語言模型非常厲害，不僅能處理人類語言，還能應用在分析DNA和蛋白質等生物數據上。它們可以辨識生物數據中的複雜規律，成為預測細胞系統的強力工具。這篇文章討論了各種大型語言模型及其在生物學中的應用，特別強調了它們在植物領域的潛力，但在這個領域中的應用仍不太普遍。 PubMed DOI

GPT-4 as a biomedical simulator.
GPT-4作為生物醫學模擬器。 Comput Biol Med 2024-06-23

研究指出使用 GPT-4 模型作為生物系統模擬器有潛力，稱為 SimulateGPT。專家評估發現在基因必需性和癌症存活預測等實驗中表現良好。這種語言模型或許可用於建立生物醫學模擬器，特別適用於處理大量以文字呈現的知識和複雜系統。未來發展可考慮整合網頁檢索、數學建模和實驗數據微調。 PubMed DOI

Genomic Language Models: Opportunities and Challenges.
基因組語言模型：機會與挑戰。 ArXiv 2024-07-29

大型語言模型（LLMs）正在改變科學界，尤其是生物醫學領域。生物學的重點在於理解生物序列，這與自然語言處理的目標相似。基因組語言模型（gLMs）專門針對DNA序列訓練，能幫助我們更好地理解基因組及DNA元素的互動，進而揭示複雜的生物功能。這篇評論強調了gLMs在適應性預測、序列設計和轉移學習等方面的潛力，但在創建有效的gLMs時仍面臨挑戰，特別是對於大型且複雜的基因組物種。還討論了gLMs開發和評估時需考慮的重要因素。 PubMed DOI

Are Genomic Language Models All You Need? Exploring Genomic Language Models on Protein Downstream Tasks.
基因語言模型是否足夠？探索基因語言模型在蛋白質下游任務中的應用。 Bioinformatics 2024-08-30

這項研究探討基因組語言模型（gLMs）在蛋白質相關任務上的表現，並與蛋白質語言模型（pLMs）進行比較。研究人員整理了五個數據集，將編碼DNA序列（CDS）與蛋白質連結。結果顯示，gLMs在某些任務上表現優於pLMs，特別是使用檢索的CDS時。此外，聯合基因組-蛋白質模型展現了更佳的表現。研究還開發了一種新的核苷酸變壓器模型，使用3mer標記化，表現優於6mer版本。這顯示gLMs在蛋白質組學中的潛力，並建議統一基因組學與蛋白質組學的方法。作者已公開代碼和數據集。 PubMed DOI

原始文章

站上相關主題文章列表