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

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

Large language models reshaping molecular biology and drug development.
大型語言模型重塑分子生物學和藥物開發。 Chem Biol Drug Des 2024-06-19

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

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

Leveraging Large Language Models for Precision Monitoring of Chemotherapy-Induced Toxicities: A Pilot Study with Expert Comparisons and Future Directions.
利用大型語言模型精確監測化療引起的毒性：與專家比較的初步研究及未來方向。 Cancers (Basel) 2024-08-29

大型語言模型（LLMs），如OpenAI的GPT系列，在醫學領域展現潛力，特別是在腫瘤學中。研究評估了LLM在分類化療引起的主觀毒性方面的能力，結果顯示LLM在一般毒性類別的準確率為85.7%，但在特定類別的準確率僅為64.6%。雖然LLM的表現與腫瘤科醫生相當，但特定類別的準確性仍需改進。未來研究應聚焦於真實病人的驗證及即時互動能力，並考量數據準確性和隱私等倫理問題。總體而言，LLMs有潛力提升病人護理質量與效率。 PubMed DOI

DrugFormer: Graph-Enhanced Language Model to Predict Drug Sensitivity.
DrugFormer：圖形增強語言模型以預測藥物敏感性。 Adv Sci (Weinh) 2024-08-29

藥物抗性在癌症治療中是一大挑戰，尤其是化療和靶向治療的反應率不高。為了解決這個問題，研究團隊開發了名為DrugFormer的新模型，這是一個圖增強的大型語言模型，能預測單細胞層級的藥物抗性。DrugFormer在大量單細胞數據上訓練，表現優異，特別是在難治性多發性骨髓瘤和急性髓性白血病的數據分析中，成功識別抗藥性細胞並揭示其分子機制。這項技術有助於個性化治療策略的發展。 PubMed DOI

Enhancing pharmacogenomic data accessibility and drug safety with large language models: a case study with Llama3.1.
利用大型語言模型提升藥物基因組數據的可及性和藥物安全性：以 Llama3.1 為案例研究。 Exp Biol Med (Maywood) 2024-12-18

藥物基因組學（PGx）旨在根據個人基因特徵來個性化醫療，以提升藥物療效與安全性。不過，PGx 研究面臨數據分散和提取繁瑣的挑戰。本研究評估大型語言模型（LLMs），特別是 Llama3.1-70B，能否自動化從 FDA 藥物標籤中提取 PGx 資訊。結果顯示，該模型在識別藥物-生物標記對的準確率達 91.4%，並且在提取 PGx 類別的穩定性超過 85%。這不僅簡化了數據提取，還有助於改善個性化醫療，並為少數族群揭示新資訊，顯示 LLMs 在 PGx 研究中的潛力。 PubMed DOI

Large language models in cancer: potentials, risks, and safeguards.
癌症中的大型語言模型：潛力、風險與保障措施。 BJR Artif Intell 2025-01-08

這篇評論分析了大型語言模型（LLMs）在癌症研究中的應用，涵蓋2017至2024年間的相關文獻，共找到59篇文章，分為定量研究、聊天機器人研究及質性討論。研究顯示LLMs在自然語言處理上具優勢，並在臨床支持和數據管理中展現潛力。質性研究則探討風險與倫理問題。評論強調，雖然LLMs能提升癌症護理的數據分析和病患互動，但也需注意數據偏見和倫理挑戰，呼籲對其使用進行監管和持續評估，以確保負責任的應用。 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

Cancer gene identification through integrating causal prompting large language model with omics data-driven causal inference.
透過整合因果提示的大型語言模型與基因組數據驅動的因果推斷進行癌症基因識別。 Brief Bioinform 2025-03-12

這項研究提出了一個名為ICGI（整合性因果基因識別）的新框架，透過整合多種組學數據來識別與癌症相關的基因。傳統方法常因依賴一般化的相關性而產生偏差，未考慮混淆因素。ICGI利用大型語言模型（LLM），結合因果提示和數據驅動的特徵選擇，提升癌症基因識別的準確性。該框架在《癌症基因組圖譜》中測試了六種癌症的轉錄組數據，表現優於現有方法。此外，還開發了線上平台，讓用戶能輸入基因和癌症類型，自動評估基因的重要性，並提供清晰的解釋。不過，研究也指出目前的LLMs可能無法完全捕捉所有相關信息。 PubMed DOI

原始文章

站上相關主題文章列表