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 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-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

GenerRNA: A generative pre-trained language model for de novo RNA design.
GenerRNA：一種用於 de novo RNA 設計的生成預訓練語言模型。 PLoS One 2024-10-01

GenerRNA是一個創新的Transformer模型，專注於提升RNA設計，特別是在RNA疫苗和治療方面。與傳統依賴結構或先前知識的方法不同，GenerRNA透過大量RNA序列進行預訓練，能生成穩定的二級結構RNA序列。這個模型可以在小型數據集上微調，創造出具特定功能的RNA，無需先前輸入。我們的示範成功生成了對目標蛋白質高親和力的RNA序列，開創了生成式語言模型在RNA生成上的新應用，提供了一種全新的RNA設計方式。 PubMed DOI

Large language models facilitating modern molecular biology and novel drug development.
大型語言模型促進現代分子生物學與新藥開發。 Front Pharmacol 2025-01-08

最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

Leveraging large language models for peptide antibiotic design.
利用大型語言模型進行肽類抗生素設計。 Cell Rep Phys Sci 2025-02-14

大型語言模型（LLMs）在生物學和化學等複雜領域中影響深遠，特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用，特別是肽類分子。我們將探討LLMs在藥物設計的最新進展，以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

RNA-protein interaction prediction using network-guided deep learning.
基於網絡引導的深度學習進行 RNA-蛋白質相互作用預測。 Commun Biol 2025-02-16

ZHMolGraph是一種創新的方法，專門用來預測RNA與蛋白質之間的相互作用，成功解決了未知RNA和蛋白質的挑戰。它結合了圖神經網絡和無監督的大型語言模型，在基準數據集上表現優異，對完全未知的RNA-蛋白質對，AUROC達到79.8%，AUPRC為82.0%。這顯示出相較於現有方法的顯著進步，AUROC提升了7.1%-28.7%，AUPRC增加了4.6%-30.0%。此外，ZHMolGraph也能增強對SARS-CoV-2 RNA-蛋白質相互作用的預測，展現其在全基因組預測及複合體建模的潛力。 PubMed DOI

Comprehensive benchmarking of large language models for RNA secondary structure prediction.
大型語言模型在RNA二級結構預測中的綜合基準評估。 Brief Bioinform 2025-04-10

近年來，受到DNA和蛋白質大型語言模型的啟發，幾個針對RNA的大型語言模型相繼問世。這些RNA-LLMs透過大量RNA數據集自我學習，旨在提升RNA二級結構預測的準確性。然而，針對這項任務的統一評估仍然不足。本研究對多種預訓練RNA-LLMs進行深入比較，評估它們在二級結構預測中的表現。結果顯示，有兩個模型表現優異，並揭示了低同源性情境下的挑戰。此外，研究提供了不同難度的基準數據集和標準化實驗設置，相關代碼和數據可在GitHub上獲得。 PubMed DOI

A Comprehensive Review of Computational Methods for Protein-DNA Binding Site Prediction.
蛋白質-DNA 結合位點預測的計算方法綜述。 Anal Biochem 2025-04-10

這項研究強調準確識別蛋白質-DNA結合位點的重要性，對理解生物過程和推進藥物發現至關重要。傳統生化方法雖然是金標準，但因耗時耗資而不實用，因此需要高效的計算方法來預測這些位點。文章將計算方法分為三類：模板檢測、統計機器學習和深度學習，並用136個非冗餘蛋白質的基準評估14個預測模型。結果顯示，深度學習方法，特別是利用預訓練大型語言模型的，準確性最佳。此外，研究還探討了這些預測方法在生物研究和藥物設計中的應用潛力。 PubMed DOI

原始文章

站上相關主題文章列表