原始文章

這項研究提出了一個名為跨模態嵌入整合器(CMEI)的計算模型,目的是利用精準醫療知識圖譜來預測疾病與基因或蛋白質的關聯。CMEI透過大型語言模型和知識圖譜嵌入算法生成生物醫學實體的嵌入,並結合多頭注意力機制,達到高達0.9662的接收者操作特徵曲線下面積(AUC)。研究顯示,CMEI能幫助揭示疾病發展機制並識別新的治療靶點。 PubMed DOI


站上相關主題文章列表

阿茲海默症是個嚴重問題,目前沒有效治療。知識圖被用在生醫研究,找出AD的藥物再利用和生物標記。一研究建立了針對AD的知識圖,分析AD、基因、變異、化學物質、藥物和其他疾病的互動。透過對PubMed摘要註釋和AI文本擴增,訓練了數據挖掘模型,提取關係。建立了全面的阿茲海默症知識圖,整合其他數據庫,訓練知識圖嵌入模型,有助於改進AD研究和治療。 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

個人化醫療透過個體特徵,特別是基因資料,來制定治療方案。研究顯示特定基因背景與藥物的劑量和副作用有關。傳統知識系統難以處理這些複雜數據,因此我們開發了CPMKG,一個全面的知識平台,整理了307,614條與藥物、疾病和基因相關的資料,分為四大類別:藥物副作用、敏感性、機制和適應症。CPMKG支援藥物中心探索和病症知識推理,並整合大型語言模型,提供易懂的數據解釋,是臨床研究的重要資源。欲了解更多,請訪問:https://www.biosino.org/cpmkg/. PubMed DOI

開發新分子以推進藥物發現非常重要,因為這能省去探索目標基因的初步步驟。傳統方法常依賴現有數據篩選分子,但因數據集有限,可能受到限制。為了解決這些問題,我們推出了GexMolGen,這是一種根據基因表達特徵生成類似命中分子的全新方法。它透過「先對齊再生成」的策略,將基因表達特徵與分子表示對齊,並確保生成的分子結構有效。實證結果顯示,GexMolGen能生成與已知物質相似的分子,為藥物發現提供了新途徑。 PubMed DOI

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

人工智慧(AI)正透過分析大型數據集來改變科學發現,尤其是在精準健康與醫學領域。不過,生物醫學數據常常零散且不一致,整合上有挑戰。為了解決這個問題,我們開發了**BioMedGraphica**,這是一個綜合平台,擁有超過300萬個實體和5600萬個關係的統一文本屬性知識圖譜,數據來自43個生物醫學數據庫。這個平台讓研究人員能進行知識發現,並以友好的介面提供與藥物、疾病等相關的豐富信息,還能創建多組學信號圖,助力新型AI模型的開發。 PubMed DOI

這項研究探討大型語言模型(LLMs)在輔助醫學診斷中的詞嵌入有效性,特別針對五種複雜的兒科疾病。研究發現,使用集成均值方法的分類準確率顯著高於專有名詞條件方法,Cowden病的準確率達80%,結節性硬化症則達100%。集成均值能更全面地捕捉疾病的症狀特徵,但也發現一些錯誤分類,顯示LLMs需在醫學數據上進行專門訓練。研究建議未來應改善LLMs,以提升其臨床診斷表現。 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

這項研究介紹了DR.KNOWS,一個結合知識圖譜(KGs)與大型語言模型(LLMs)的新模型,旨在提升電子健康紀錄(EHRs)的診斷推理。透過KGs的結構化知識,DR.KNOWS能更精確地檢索病人相關的醫療資訊,改善診斷預測。實驗結果顯示,DR.KNOWS在準確性上超越了多個基準模型,並獲得了人類評估者的肯定。研究也提到KG數據可能存在的偏見,並建議未來需針對這些問題進行改善。總體而言,DR.KNOWS在臨床決策支持上具有重要意義。 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