深度學習，特別是大型語言模型（LLMs），在植物生物學中展現出很大的潛力，能為植物細胞系統提供新見解。蛋白質語言模型（PLMs）提升了我們分析核酸和蛋白質序列的能力，揭示生物數據中的複雜模式和關係。這不僅有助於識別序列模式和結構-功能關係，還能促進農業基因改良。透過整合深度學習，我們在植物性狀的基礎研究上能取得顯著進展。因此，戰略性地應用這些方法對推進植物科學和可持續農業至關重要。 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

基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 PubMed DOI

這項研究評估了五種大型語言模型（LLMs）在識別基因集共同功能的有效性，並探討現有基因功能數據庫的限制。結果顯示，GPT-4在73%的案例中提出的功能與整理的基因集名稱相符，且其自信度與準確性相關。相比之下，隨機基因集的零自信率高達87%。其他模型如GPT-3.5和Gemini Pro則表現不一，經常在隨機基因集上出現錯誤自信。GPT-4在分析組學數據的基因簇時，識別出共同功能的案例達45%，顯示其在特異性和基因覆蓋率上優於傳統方法，顯示LLMs在組學研究中的潛力。 PubMed DOI

大型語言模型（LLMs）正在改變生物醫學科學，特別是在理解生物序列方面。基因組語言模型（gLMs）專注於DNA序列，能幫助預測基因組中重要的功能區域、設計新DNA序列，並促進轉移學習。儘管如此，開發有效的gLMs仍面臨挑戰，如數據質量、模型架構及評估指標等。解決這些問題對於gLMs在複雜生物系統中的應用至關重要。 PubMed DOI

這項研究用大型語言模型，從GEM資料庫和文獻中自動萃取基因編輯細節，突破了原本資料庫的限制。這讓研究人員能更快找到重要基因、規劃實驗，提升基因編輯研究效率。相關工具和資料已在GitHub公開，方便大家使用。 PubMed DOI

**重點摘要：** 這項研究介紹了一個名為 GeneRxGPT 的工具，它結合了大型語言模型（LLMs）和最新的生醫文獻，讓癌症研究人員可以更輕鬆地發現藥物與基因之間的關係、找出新的治療標的、藥物再利用，以及更深入了解複雜的分子交互作用——而且不需要具備進階的電腦運算技能。 PubMed DOI

研究團隊開發了PlantGPT，專為植物基因研究設計的AI模型，能更精確回答植物基因功能問題，錯誤率也比一般AI低。PlantGPT就像植物基因專家，已經有線上工具可用，未來也有望成為作物研究AI的參考標準。 PubMed DOI

大型語言模型（LLMs）在自然語言處理很強，但在植物育種的應用還有很大發展空間。這篇綜述說明LLMs能協助分析複雜生物資料、預測重要性狀，並整合基因體和環境等多元資料，有助於提升基因發現和決策效率。文章也討論目前進展、挑戰及未來展望，期望推動永續農業與糧食安全。 PubMed DOI

cGSA 是新一代 AI 基因集分析工具，運用大型語言模型，能針對特定疾病情境，精準排序相關路徑，減少雜訊和重複結果。實驗證明，cGSA 比傳統方法更有效，讓研究人員更容易找出有意義的生物學假說。 PubMed