Monarch計畫整合全球開放數據，幫助瞭解基因、環境和表現型之間的關係。他們運用本體論、數據模型和知識圖支持研究轉譯。Monarch應用程式整合了不同物種的基因、表現型和疾病數據，提供API存取精心編輯的數據集和分析工具。他們改進了基礎設施、數據整合系統和用戶界面，並開發了使用OpenAI的ChatGPT進行表現型數據分析的插件。更多資訊請參考monarchinitiative.org和github.com/monarch-initiative/monarch-app。 PubMed DOI

整合生物資訊與健康記錄，革新生物醫學研究，提供全面洞察。探討不同數據整合方法，從人口生物庫到單細胞生物資訊，強調大型語言模型在數據整合中的重要性。呼籲共同努力推動精準醫學創新。 PubMed DOI

在科學研究中，隨著出版物數量的增加，管理變得愈加困難。為了解決這個問題，我們開發了一個高通量流程，利用ChatGPT從超過24,000篇秀麗隱杆線蟲和150,000篇果蠅的文獻中提取資訊，成功識別了超過200,000個C. elegans的互動及近120萬個果蠅的互動，建立了全面的生物圖譜。我們還創建了一個可搜尋的線上平台，方便使用者訪問這些知識網絡，並突顯了重要的生物途徑。這些數據庫可在worm.bio-map.com和drosophila.bio-map.com訪問。 PubMed DOI

CZ CELLxGENE Discover 是一個線上平台，專門用來探索和分析單細胞轉錄組數據。它擁有超過9300萬個獨特細胞，是目前最大的整理數據集，提供標準化數據和一致的元數據。這個平台旨在提升研究人員的可及性，讓他們能夠進行個別數據集的探索和跨資料庫的分析。透過機器學習和大型語言模型的進展，CZ CELLxGENE Discover 提供了有關健康與疾病的深入見解，特別是在單細胞層面上，並解決了龐大數據集的挑戰。 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

這篇評論探討生理學研究如何因應Omic技術的進步而轉向分子生理學，特別是蛋白質質譜分析和下一代DNA測序（NGS）。雖然這些技術提供了豐富的基因、mRNA和蛋白質數據，但要全面理解生理過程仍然困難。評論提到三種整合Omic數據與傳統研究的方法：開發線上資源、使用貝葉斯方法結合不同數據，以及應用自然語言處理技術分析文獻。此外，還提到大型語言模型（如ChatGPT）在知識整合中的角色及其局限性。 PubMed DOI

多組學研究是一種創新的生物科學方法，結合基因組學、轉錄組學、蛋白質組學和代謝組學等數據，幫助我們全面理解生物系統。這篇綜述強調數據整合的重要性，揭示生物過程中的複雜互動。 我們討論了深度學習、圖神經網絡和生成對抗網絡等計算技術的最新進展，這些技術提升了多組學數據的分析能力。同時，文章也探討了數據異質性和模型可解釋性等挑戰。 此外，大型語言模型在特徵提取和知識整合方面的潛力也被提及。儘管多組學有很大潛力，但所需的計算資源和模型調整的複雜性仍需持續創新與合作。 PubMed DOI

功能性蛋白質組學在癌症研究中非常重要，能幫助識別新的生物標記和治療目標。我們建立了一個全面的資源，包含近8,000名癌症患者和約900個癌症細胞系的數據，並挑選了近500種高品質抗體，涵蓋主要癌症通路。為了提升可用性，我們推出了DrBioRight 2.0（https://drbioright.org），這是一個直觀的生物資訊平台，結合大型語言模型，讓研究人員能深入分析和視覺化蛋白質組學數據，加速轉化為生物醫學見解。 PubMed DOI

單細胞和空間組學的應用在模型和病人樣本中，已經幫助識別許多新基因集，特別是在免疫療法方面。不過，這些基因集的生物學意義常常被片面解釋，因為依賴的註釋數據庫缺乏深度和準確性。為了解決這個問題，研究人員開發了免疫細胞知識圖譜（ICKGs），整合超過24,000篇文獻，並利用大型語言模型進行知識綜合。這些圖譜的質量經過獨立數據驗證，並能全面準確地註釋免疫學基因集。研究團隊還創建了一個互動網站，讓用戶能夠進行基於ICKG的基因集註釋。可透過[這個連結](https://kchen-lab.github.io/immune-knowledgegraph.github.io/)訪問。 PubMed DOI

在單細胞轉錄組學中，細胞類型註解不一致會影響數據整合與機器學習。為了解決這個問題，我們開發了統一的層級註解框架（uHAF），包含器官特定的層級細胞類型樹（uHAF-T）和大型語言模型驅動的映射工具（uHAF-Agent）。uHAF-T 提供38個器官的標準化參考，促進一致的標籤統一。uHAF-Agent 利用 GPT-4 將多樣的細胞標籤映射到 uHAF-T，簡化協調過程。這個框架增強了數據整合，支持機器學習，並促進單細胞研究的合作。uHAF 可在 https://uhaf.unifiedcellatlas.org 和 https://github.com/SuperBianC/uhaf 獲得，補充數據也可在 Bioinformatics 在線查詢。 PubMed DOI