大型語言模型（LLMs）在醫學和臨床資訊學中扮演重要角色，能幫助突破和個人化治療。透過分析複雜的生物數據，揭示基因組學、蛋白質結構和健康記錄中的隱藏模式，對基因組分析、藥物開發和精準醫學有所助益。然而，必須面對數據偏見、隱私和道德等挑戰，才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展，造福個人和社區。 PubMed DOI

研究測試了精細調校的大型語言模型（LLM）在分類腦部磁振造影報告的效能。LLM表現高準確、敏感，且處理速度快，比人類放射科醫師更有效。結果顯示LLM在醫學影像分析上有潛力，與專業醫師相當。 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

在2021年，AlphaFold 2 在蛋白質摺疊問題上取得重大突破，能準確預測超過兩億種蛋白質的三維結構，為大型語言模型（LLMs）在生命科學的應用鋪路。最近，我們進入一個新階段，這些先進的基礎模型在龐大數據集上預訓練，能處理蛋白質、RNA、DNA等生物分子的結構與相互作用。與傳統模型不同，新的生命大型語言模型（LLLMs）整合了多種分子生物學的知識，例如Evo模型，能預測基因變異對分子結構的影響，甚至生成新的DNA序列。 PubMed DOI

生成式人工智慧和大型語言模型（LLMs），如GPT-4，對臨床醫學和認知心理學影響深遠。這些模型在理解和生成語言方面表現優異，能改善臨床決策和心理諮詢。雖然LLMs在類比推理和隱喻理解上表現良好，但在因果推理和複雜規劃上仍有挑戰。本文探討LLMs的認知能力及其在心理測試中的表現，並討論其在認知心理學和精神醫學的應用、限制及倫理考量，強調進一步研究的重要性，以釋放其潛力。 PubMed DOI

這篇論文提出了一個創新的深度學習框架，利用功能性磁共振影像（fMRI）數據來評估大腦中的淀粉樣蛋白β沉積，提供了一種更可及的阿茲海默症篩檢方式。框架包含三個主要組件：節點嵌入編碼器、階層式功能連結網絡學習模組，以及任務特徵一致性損失。實驗結果顯示，這種方法在預測淀粉樣蛋白β方面表現優異，並有助於深入了解阿茲海默症的機制，對其預防具有潛在價值。 PubMed DOI

最近大型語言模型（LLMs）的進展引起了對其在生物醫學術語翻譯方面的關注。不過，這些模型的不透明性讓研究人員需依賴人工基準，對模型的實際內容了解有限。我們的研究顯示，預訓練的LLMs能解釋高達51%的神經問題問卷中的遺傳相關性，且無需微調。此外，精神疾病名稱與遺傳關係的對應性比診斷描述更密切。這顯示LLMs能反映遺傳架構，並在心理健康研究中整合文本與遺傳數據方面具潛力。 PubMed DOI

這項研究用persistent homology來分析癲癇患者大腦活動，再用Gemini Pro Vision 1.0大型語言模型分類。雖然直接用LLM偵測癲癇發作準確率不高，但這方法不用大量訓練資料或複雜參數，未來有機會發展成更好用、可擴展的分析工具。 PubMed

我們提出一種新方法，結合NCBI Gene的基因描述和大型語言模型，將單細胞RNA定序資料轉換成有意義的向量。做法是先找出每個細胞表現量最高的基因，擷取基因註解，再用語言模型轉成向量，並依表現量加權。這樣不只提升解釋性，也讓細胞分群和分析更精準。 PubMed

這項研究發現，AI語言模型（像GPT-4）能有效找出生物老化相關分子的語意連結，並建議多重介入組合。其分析結果與實際生物學關係高度吻合，並經KEGG資料庫驗證，顯示LLMs有潛力協助發現老化相關的新分子與路徑連結。 PubMed DOI