最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

藥物開發傳統上是一個繁瑣且耗時的過程，主要依賴專業知識和反覆試驗。不過，隨著人工智慧（AI）特別是大型語言模型和生成式AI的興起，這個領域正迎來變革。AI技術提升了藥物開發各階段的效率，包括疾病靶點識別、藥物發現、臨床前及臨床研究，甚至上市後的監測。這篇文章探討了AI在藥物開發中的最新應用，並分析了目前仍面臨的挑戰，指出未來研究的潛力。 PubMed DOI

醫療數位轉型正快速發展，提升了服務品質和健康資訊的可及性，並減輕了醫療提供者的負擔。數據和人工智慧（AI）在此過程中扮演關鍵角色，特別是醫療AI，正從特定任務擴展為更通用的應用。大型語言模型被用來整理醫學知識，並重塑醫學科學。新方法「AI for Medical Science」透過預測模型來預測疾病，專注於「狀態」而非僅是症狀，能提高診斷準確性，推進P4醫學的發展。 PubMed DOI

這篇文章探討了人工智慧驅動的大型語言模型（LLMs）在藥物發現與開發中的影響，特別是它們如何解決傳統方法的時間與成本問題。文章介紹了LLMs在藥物發現各階段的應用，包括藥物設計、靶點識別、驗證及相互作用分析等。此外，還提到針對藥物發現的專屬LLMs的發展及其挑戰，並展望未來人工智慧在藥物開發中的整合潛力。 PubMed DOI

人工智慧（AI）正深刻影響醫療保健，特別是在定量臨床藥理學（QCP）和轉化科學（TS）領域。AI代理工作流程能簡化數據收集與分析，提升效率與一致性。這篇評論探討AI如何解決QCP和TS的挑戰，優化臨床試驗設計並推進精準醫療，同時確保數據隱私與法規遵循。文中也舉例說明AI代理在生物醫學研究中的應用，並提供克服實施挑戰的建議。未來，促進合作與建立法規框架將是實現AI潛力的關鍵。 PubMed DOI

製藥公司越來越依賴科學回應文件（SRDs）來滿足醫療專業人員的需求，這些文件由專家團隊負責撰寫，內容涵蓋藥物和疾病的證據。隨著需求增加，醫療資訊部門開始探索人工智慧（AI）和大型語言模型（LLMs）來提升效率。調查顯示，受訪的33家公司中有76%回應，平均每年創建614份新文件，改寫科學文章是最繁瑣的任務。研究建立了整合AI的框架，雖然初步結果顯示潛力，但仍需進一步研究以優化實施。 PubMed DOI

MADRIGAL是一個創新的多模態人工智慧模型，專注於從臨床數據中預測藥物組合的臨床結果。它整合結構、途徑、細胞活性和轉錄組等多種數據，克服了缺失數據的挑戰。經過測試，MADRIGAL在預測不良藥物相互作用方面表現優於傳統方法，並能進行抗癌藥物組合的虛擬篩選，特別針對II型糖尿病和脂肪肝炎。它還支持個性化癌症治療，並能用自然語言描述臨床結果，提升安全性評估。總之，MADRIGAL在設計組合療法上具有更高的預測準確性和臨床相關性。 PubMed

人工智慧（AI）正顯著提升臨床藥理學和轉譯科學，特別是在藥物開發和病人照護上。最近的美國臨床藥理學與治療學會年會中，專家們探討了AI如何簡化藥物發現、劑量策略及結果評估等流程。大型語言模型在生物醫學研究中的應用，使數據分析更民主化，幫助研究人員更有效利用數據。此外，討論也提到可解釋的AI在預測藥物療效和安全性方面的潛力，以及整合AI所需的倫理考量。這些觀點強調了AI在加速藥物開發和滿足病人需求上的重要性。 PubMed DOI

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

AI 和機器學習正大幅改變定量系統藥理學（QSP），像自動化資料擷取、混合模型和大型語言模型等新工具，讓 QSP 建模更簡單、協作性更高，有助加速和個人化藥物開發。不過，驗證、倫理、法規和整合複雜生物資料等挑戰仍待克服。整體來說，AI/ML 將徹底革新 QSP，推動治療創新。 PubMed DOI