這項研究探討大型語言模型（LLMs）在粒子加速器自動調整的應用，傳統上需要專業的優化和機器學習知識。研究顯示，LLMs能透過簡單的自然語言提示有效調整加速器子系統，並與先進的優化技術如貝葉斯優化和強化學習進行比較。結果顯示，LLMs能處理複雜的非線性數值優化，顯示其在日常操作中簡化自動調整算法的潛力，並可能促進自動化技術在加速器系統的應用。 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

這項研究提出了一個新框架，結合大型語言模型（LLMs）和遺傳演算法（GAs），用來優化酶的設計，解決蛋白質序列及功能的複雜挑戰。研究人員透過大量蛋白質序列數據，找出影響酶結構和功能的氨基酸關係，並利用遺傳演算法有效搜尋能提升催化性能的酶序列。測試結果顯示，生成的酶突變體在90%的案例中超越野生型酶，並維持相似的結構特徵，顯示這種方法的有效性，推進了生物催化劑設計的計算方法。 PubMed DOI

在生物學的數據分析領域，專家短缺影響了對複雜生物過程的理解及新療法的開發。為了解決這個問題，我們推出了名為 mergen 的 R 套件，利用大型語言模型（LLMs）來生成和執行數據分析代碼。研究人員只需用簡單文字描述分析目標，系統便能透過提示和反饋改善代碼生成。我們的評估顯示，雖然 LLMs在某些任務上有效，但在複雜分析中仍有挑戰。自我修正機制顯著提升了可執行代碼的生成比例，對於複雜度等級 2 和 3 的任務分別提高了 22.5% 和 52.5%。這項研究增進了對 LLM 能力的理解，並提供了實用的整合見解。 PubMed DOI

大型語言模型（LLMs），像是ChatGPT，已經徹底改變了學術界的科學寫作與研究，提供了全方位的支援。生成式人工智慧（GAI）工具在假設形成、方法設計、數據分析到手稿準備等各階段都有所改善。這篇評論專注於LLMs在血液學研究中的應用，特別提到提示工程和檢索增強生成（RAG）框架等技術。這些技術能幫助研究人員創造更準確的內容，並降低錯誤資訊的風險。儘管GAI工具提升了研究質量，但也強調了科學誠信、倫理考量及隱私保護的重要性。 PubMed DOI

這篇評論強調大型語言模型（LLMs）在合成生物學（SynBio）教育與研究中的重要性，特別是在生物製造領域。文章比較了美國和中國的LLMs在解決SynBio問題上的表現，並探討了它們如何從非結構化數據中提取資訊、建立知識圖譜，及促進檢索增強生成。預期LLMs將提升代謝建模和工程中的設計-建造-測試-學習（DBTL）循環，並推動自動化實驗室的發展。最後，呼籲建立LLMs的基準、發展生物安全措施，並促進相關領域專家的合作。 PubMed DOI

這篇論文探討了一種新方法，利用AI生成內容（AIGC）模型自動化生成和審查熱力學模擬程式碼，特別針對LAMMPS軟體。提出的分子動力學代理（MDAgent）框架，透過大型語言模型簡化模擬程式的創建、執行和優化。為了微調模型，開發了針對LAMMPS的熱力學模擬程式碼數據集，專家評估顯示MDAgent顯著提升程式碼生成和審查效率，平均減少42.22%的任務時間，顯示其在材料科學中的應用潛力。 PubMed DOI

這篇論文探討預訓練的大型語言模型（LLMs）與進化演算法（EAs）之間的相似性，指出兩者都涉及生成與精煉解決方案。作者在微觀層面上分析了關鍵的平行之處，如標記、個體表示、適應度及位置編碼的形成，以及變壓器中的繁殖機制。接著，作者檢視現有的跨學科研究，找出挑戰，特別是在進化微調和將LLMs整合進EAs的領域。這些研究結果旨在增進對LLMs進化機制的理解，並提出改善人工智慧代理能力的方法。 PubMed DOI

這項研究比較 GPT-4o、Llama 3.1 和 Qwen 2.5 在癌症基因變異臨床分類的表現，發現 GPT-4o 準確率最高。LLMs 在有明確證據時表現佳，但遇到證據較弱的變異時一致性較差，且容易過度分類。透過 prompt 設計和檢索增強生成可提升準確度。整體來說，LLMs 有潛力，但臨床應用還需再優化。 PubMed DOI

罕見疾病診斷困難，因資料少且基因多樣。本研究評估大型語言模型（LLMs）在基因排序的表現，發現GPT-4表現最佳，但對知名基因有偏好且受輸入順序影響。採用分批處理可提升準確度並減少偏誤，有助加快罕見疾病基因鑑定與診斷。程式碼可在 GitHub 下載。 PubMed DOI