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

蛋白質在藥物研發中扮演重要角色，但傳統方法太貴又太慢。研究引入了一個快速又精確的分類器，使用了帶有ESM-2嵌入的蛋白質語言模型（PLM），準確率達95.11%。比較結果顯示，ESM-2嵌入比PSSM特徵更優。同時，開發了基於GPT-2的端對端模型，將大型語言模型成功應用在蛋白質辨識上，並經Pharos數據集驗證表現。 PubMed DOI

LLMs如GPT和LLaMA在化學領域有潛力，尤其在用SMILES表示化學結構。研究比較後發現，LLaMA在分子性質和藥物相互作用預測上比GPT表現更好。LLaMA的SMILES嵌入在分子預測與預訓練模型相當，藥物相互作用預測更佳。這研究強調LLMs在分子嵌入有潛力，值得進一步探索。詳情請看GitHub：https://github.com/sshaghayeghs/LLaMA-VS-GPT。 PubMed DOI

分子生成是人工智慧的一個重要領域，對小分子藥物開發影響深遠。現有方法在某些設計上表現不佳，因此我們提出了FU-SMILES框架，透過片段簡化分子輸入，並推出了FragGPT這個通用分子生成模型。FragGPT在大型數據集上預訓練，能高效生成新分子、連接子設計等，並結合條件生成和強化學習技術，確保生成的分子符合生物學和物理化學標準。實驗結果顯示，FragGPT在生成創新結構的分子方面表現優異，超越現有模型，並在藥物設計中得到驗證。 PubMed DOI

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

大型語言模型（LLMs）在藥物傳遞材料設計中展現潛力。我們使用Hugging Face的Transformers套件，透過BigBird、Gemma和GPT NeoX等架構進行預訓練和微調，並結合化學家的指導進行優化。研究結果顯示，整合化學見解對於提升模型性能至關重要。我們設計了光響應藥物傳遞分子，並探討了人類反饋在強化學習中的角色。最終，我們建立了一個高效的設計流程，但缺乏專門數據集仍是挑戰。 PubMed DOI

3DSMILES-GPT是一個創新的框架，專門用來生成三維（3D）分子，目的是提升藥物發現的效率。傳統方法常常產生無效的分子，且生成時間較長。相對之下，3DSMILES-GPT透過標記方式，將2D和3D分子視為語言來處理。經過大規模數據集的預訓練和微調後，該模型在結合親和力、藥物相似性（QED）和合成可及性評分（SAS）等指標上表現優異，生成速度也快，每個分子僅需約0.45秒，顯示出其在藥物發現中的巨大潛力。 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

這篇論文全面介紹大型語言模型（LLMs）在臨床藥理學和轉譯醫學中的應用。內容涵蓋LLMs的基本原則及其在藥物發現和開發各階段的潛在用途，包括靶點識別、臨床前研究和臨床試驗分析。還會強調實際應用，如醫學寫作輔助和加速定量臨床藥理學的分析流程。目的是幫助臨床藥理學家和轉譯科學家有效利用LLMs，改善研究和開發過程。 PubMed DOI

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI