原始文章

這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性,並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型,成功將藥物與其作用機制連結。結果顯示,重要基因與藥物作用機制有顯著關聯,證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物,顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 PubMed DOI


站上相關主題文章列表

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

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

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

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

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

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

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

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

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

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