ChatGPT是一個進階的聊天機器人，利用OpenAI語言模型，代表著人工智慧的新時代。一項研究使用GPT-4協助開發抗古柯鹼成癮的藥物，顯示了ChatGPT在藥物研發上的創新應用。這項研究改變了藥物開發方式，強調了人類專業知識與人工智慧的合作，並提倡以AI為動力的聊天機器人作為創新治療的先驅。 PubMed DOI

像GPT-4這樣的先進語言模型的發展正在改變分子研究領域。我們對GPT-4和GPT-3.5的比較顯示，GPT-4在分子優化的某些領域表現優異，但在處理複雜分子時卻遇到困難。我們建議未來的研究方向，以克服這些挑戰並增進分子科學的發展。 PubMed DOI

心血管疾病是全球重要議題。傳統風險評估方法常用，但人工智慧如GPT-4顯示潛力。研究發現GPT-4可與傳統模型匹敵預測CVD風險，即使有缺失數據也表現穩健，顯示潛力。研究強調GPT-4在預測CVD風險及醫療保健領域的應用價值。 PubMed DOI

AMPs是短肽，可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響，難以控制。GPT-3已用於預測AMP活性和毒性，但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型，但需重新評估大型語言模型的潛力。 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

藥物引起的肝損傷（DILI）是藥物安全性的重要議題，也是急性肝衰竭的主要原因。傳統的文獻搜尋方法因藥物相互作用的複雜性而效率不高，且手動整理容易出錯。近期，利用大型語言模型（LLMs）如LLaMA-2，研究人員開發了專門用於DILI分析的模型，並在CAMDA 2022的數據集上達到97.19%的準確率，顯示出LLMs在文獻識別上的潛力，可能簡化監管審查流程。 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

這項研究強調了大型語言模型（LLMs），特別是GPT-4，在提取氧化壓力相關毒理學資訊方面的潛力。研究團隊建立了一個完整的流程，從7,166篇文章中提取了17,780條記錄，識別出2,558種獨特化合物，並發現過去20年對氧化壓力的研究興趣逐漸上升。 研究編制了促氧化劑（1,416種）和抗氧化劑（1,102種）的清單，主要包括藥物、農藥和金屬等類別。結構分析顯示了特定子結構與促氧化劑和抗氧化劑的關聯。總體而言，這項研究證明了基於LLM的文本挖掘能有效建立毒理學數據庫，為未來環境與健康研究提供重要見解。 PubMed DOI

這項研究探討大型語言模型（LLMs）在藥理學中的挑戰，因為缺乏全面的測試集。研究團隊創建了一個包含藥物資訊檢索、先導化合物結構優化及研究趨勢分析的測試集，並評估了GPT-3.5和GPT-4的表現。結果顯示這兩個模型在藥物特性、動力學及毒性預測等方面表現優異，但在藥物識別和互動資訊檢索上仍有不足。研究建議透過檢索增強生成（RAG）方法，整合專業知識庫，以提升LLMs在藥理學的應用效果。 PubMed DOI

這項研究探討了GPT-4在評估藥物對肝臟、心臟和腎臟健康的毒性時的可靠性，並將其結果與FDA藥物標籤的專家評估進行比較。研究使用了兩種提示方式：一般提示和專家提示。結果顯示，專家提示的準確率（64-75%）高於一般提示（48-72%），但兩者的表現都只是中等。這提醒我們在公共健康應用中使用GPT-4時需謹慎，並建議採用檢索增強生成（RAG）等先進框架來提升其可靠性。 PubMed DOI