CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models.
CancerGPT：使用大型預訓練語言模型進行少樣本藥物配對協同作用預測。 ArXiv 2024-03-04

少量數據下的LLMs有潛力，但在生物學等複雜領域的泛化能力尚待研究。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的模型CancerGPT在七種罕見組織上表現優異，即使只有124M參數，也不輸給更大的GPT-3。這是首個探討此議題的研究，也是首個在生物反應預測中應用LLM的研究。 PubMed DOI

Leveraging Generative AI to Prioritize Drug Repurposing Candidates: Validating Identified Candidates for Alzheimer's Disease in Real-World Clinical Datasets.
利用生成式人工智慧來優先考慮藥物再利用候選藥物：在真實世界臨床數據中驗證識別出的阿茲海默症候選藥物。 medRxiv 2024-03-15

藥物再利用省錢又有效，尤其對抗阿茲海默症等疾病很有幫助。人工智慧工具如ChatGPT能快速分析科學數據，找出潛在藥物候選者。研究指出，二甲双胍、辛伐他汀和洛薩坦等藥物可能降低阿茲海默症風險。顯示人工智慧技術可幫忙選擇再利用藥物，進而改善疾病治療。 PubMed DOI

Leveraging Generative AI to Prioritize Drug Repurposing Candidates: Validating Identified Candidates for Alzheimer's Disease in Real-World Clinical Datasets.
利用生成式人工智慧來優先考慮藥物再利用候選者：在真實世界臨床數據中驗證對於阿茲海默症識別的候選藥物。 Res Sq 2024-03-11

藥物再利用省錢又有效，尤其對治療阿茲海默症有潛力。透過人工智慧技術如ChatGPT，可找出潛力藥物。ChatGPT建議二甲双胍、辛伐他汀和洛薩坦等藥物，可降低罹患阿茲海默症風險。顯示人工智慧有助篩選藥物，進而改善疾病治療。 PubMed DOI

CancerGPT for few shot drug pair synergy prediction using large pretrained language models.
使用大型預訓練語言模型進行少量樣本藥物配對協同作用預測的 CancerGPT。 NPJ Digit Med 2024-03-04

大型語言模型（LLMs）在少量數據下展現潛力，特別在生物醫學領域。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的CancerGPT模型在極少或零樣本下表現優異，與更龐大的GPT-3模型相當。這研究有助於預測罕見組織中的藥物協同作用，推動LLMs在生物醫學領域的應用。 PubMed DOI

De novo drug design as GPT language modeling: large chemistry models with supervised and reinforcement learning.
以 GPT 語言建模進行藥物的全新設計：利用監督式學習和強化學習建立大型化學模型。 J Comput Aided Mol Des 2024-04-22

生成式機器學習在使用SMILES語言設計藥物分子上取得成功。研究指出大型語言模型在藥物設計有潛力，透過預訓練的方式成功轉移到藥物領域，效果優於先前研究。這種模型能生成對特定靶點有效的分子，展現了在藥物發現上的潛力。這為未來更大型的研究提供可能性，有助於開發非專利的藥物替代品。 PubMed DOI

Large language model aided automatic high-throughput drug screening using self-controlled cohort study.
大型語言模型輔助的自我對照隊列研究自動化高通量藥物篩選。 medRxiv 2024-08-16

新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 PubMed DOI

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

DrugReAlign: a multisource prompt framework for drug repurposing based on large language models.
DrugReAlign：基於大型語言模型的多來源提示框架進行藥物重定位。 BMC Biol 2024-10-08

藥物再利用是一種高效且具成本效益的藥物發現策略，但現有模型常因數據不足而影響預測準確性。傳統的藥物-靶標互動模型難以泛化於大量藥物。相對地，大型語言模型（LLMs）因其龐大的數據和參數具優勢。我們提出了DrugReAlign框架，結合LLMs和多來源提示技術，增強藥物再利用。此框架從廣泛知識庫中收集藥物和靶標的資訊，解決數據限制，並整合多數據庫的靶標摘要，顯著提升LLMs的表現。透過分子對接和DTI數據集驗證，我們發現LLMs的靶標分析準確性與預測質量高度相關，顯示此框架可能為藥物再利用開創新途徑。 PubMed DOI

SensitiveCancerGPT: Leveraging Generative Large Language Model on Structured Omics Data to Optimize Drug Sensitivity Prediction.
SensitiveCancerGPT：利用生成大型語言模型在結構化組學數據上優化藥物敏感性預測。 bioRxiv 2025-03-10

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

Application of Large Language Models in Drug-Induced Osteotoxicity Prediction.
大型語言模型在藥物誘導骨毒性預測中的應用。 J Chem Inf Model 2025-03-21

藥物引起的骨毒性是指某些藥物對骨骼的有害影響，這在臨床和藥物開發中都很重要。目前的毒性評估模型缺乏專門的數據和演算法。我們的研究收集了骨毒性分子的數據，並使用DeepSeek和ChatGPT等大型語言模型來預測其特性，準確率分別達到0.87和0.88。研究顯示，機器學習能有效評估藥物對骨骼健康的影響，改善安全協議，減少副作用，提升治療效果，並強調大型語言模型在預測分子毒性方面的潛力。 PubMed DOI

原始文章

站上相關主題文章列表