Harnessing Artificial Intelligence in Multimodal Omics Data Integration: Paving the Path for the Next Frontier in Precision Medicine.
運用人工智慧整合多模式組學數據：為精準醫學的下一個前沿鋪路。 Annu Rev Biomed Data Sci 2024-05-20

整合生物資訊與健康記錄，革新生物醫學研究，提供全面洞察。探討不同數據整合方法，從人口生物庫到單細胞生物資訊，強調大型語言模型在數據整合中的重要性。呼籲共同努力推動精準醫學創新。 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

Accelerating drug discovery, development, and clinical trials by artificial intelligence.
利用人工智慧加速藥物發現、開發及臨床試驗。 Med 2024-08-22

這篇論文深入分析了AI在藥物開發中的進展，特別是針對小分子、RNA和抗體的應用。它探討了AI如何融入藥物開發流程，並回顧了目前臨床試驗中的藥物。論文指出，至今尚無AI設計的藥物獲得監管機構批准，並建議利用大型語言模型和擴散模型來克服這一挑戰。總體而言，論文強調了AI在藥物發現中的潛力，同時也討論了這個快速發展領域的挑戰與未來機會。 PubMed DOI

PharmaBench: Enhancing ADMET benchmarks with large language models.
PharmaBench：利用大型語言模型增強 ADMET 基準。 Sci Data 2024-09-10

準確預測ADMET（吸收、分佈、代謝、排泄和毒性）特性對藥物開發非常重要，能幫助選擇具良好藥物動力學及降低毒性的化合物。目前的ADMET數據集因樣本數量少及代表性不足而受限。為了解決這些問題，我們提出了一個多代理數據挖掘系統，利用大型語言模型識別14,401個生物測試的實驗條件，並整合不同來源的數據，最終創建了PharmaBench，包含156,618條原始條目，旨在支持藥物發現相關的AI模型開發。 PubMed DOI

Simulate Scientific Reasoning with Multiple Large Language Models: An Application to Alzheimer's Disease Combinatorial Therapy.
模擬多個大型語言模型的科學推理：應用於阿茲海默症的聯合療法。 medRxiv 2024-12-23

這項研究提出了一個由人工智慧驅動的框架，利用大型語言模型來模擬科學推理和同行評審，預測有效的組合療法。該框架的準確度達到0.74，超過傳統方法的0.52。研究強調高品質範例、外部知識整合及自我一致性的重要性。外部驗證使用私有數據，準確度更達0.82。這個框架提供了一種自動化的知識驅動方法，適用於數據不足的生物推理任務。相關源代碼和數據可在 https://github.com/QidiXu96/Coated-LLM 獲得。 PubMed DOI

Artificial intelligence-driven prediction and validation of blood-brain barrier permeability and absorption, distribution, metabolism, excretion profiles in natural product research laboratory compounds.
人工智慧驅動的血腦屏障通透性及吸收、分佈、代謝、排泄特徵的預測與驗證：以天然產品研究實驗室化合物為例。 Biomedicine (Taipei) 2025-01-08

這項研究探討了結合MegaMolBART編碼器與XGBoost分類器的模型，成功預測化合物的血腦屏障（BBB）通透性。研究使用4956種BBB+和2851種BBB-的數據集，並分析了2461種BBB+和2184種BBB-化合物。發現temozolomide及21種化合物的通透性係數超過10 × 10<sup>-7</sup> cm/s，顯示其顯著通透性。此外，研究還評估了化合物的ADME特性及其對腦內皮細胞的細胞毒性影響，強調AI在藥物發現中的潛力。 PubMed DOI

Integrating Model-Informed Drug Development With AI: A Synergistic Approach to Accelerating Pharmaceutical Innovation.
結合模型知識藥物開發與人工智慧：加速藥品創新的協同方法。 Clin Transl Sci 2025-01-11

製藥產業正專注於改善藥物開發，目的是降低成本、提升效率，並改善病患的治療效果。模型導向藥物開發（MIDD）透過數學模型模擬藥物的吸收和代謝，而人工智慧（AI）則利用機器學習分析大量數據，進行更準確的預測。結合MIDD與AI，可以透過虛擬試驗優化藥物選擇和治療策略，降低風險。不過，數據質量、隱私和模型可解釋性等挑戰仍需克服。這種整合有潛力改變藥物發現和個人化醫療，對病患和製藥業皆有益處。 PubMed DOI

DeepDrug as an expert guided and AI driven drug repurposing methodology for selecting the lead combination of drugs for Alzheimer's disease.
DeepDrug：一種專家引導和人工智慧驅動的藥物重定位方法，用於選擇阿茲海默症的主要藥物組合。 Sci Rep 2025-01-15

阿茲海默症對生活品質造成重大影響，雖然新療法不斷出現，但仍需有效治療。為此，我們推出DeepDrug，一種人工智慧驅動的藥物重定位方法，旨在為AD患者找出有效的已批准藥物組合。DeepDrug整合專家知識，利用生物醫學圖譜，運用圖神經網絡編碼，並系統性選擇最佳藥物組合。我們識別出一個有前景的五藥組合，針對AD相關的神經炎症等問題，顯示出臨床應用潛力。 PubMed DOI

Ai-enabled language models (LMs) to large language models (LLMs) and multimodal large language models (MLLMs) in drug discovery and development.
在藥物發現與開發中，AI 驅動的語言模型（LMs）、大型語言模型（LLMs）及多模態大型語言模型（MLLMs）。 J Adv Res 2025-02-14

這篇文章探討了人工智慧驅動的大型語言模型（LLMs）在藥物發現與開發中的影響，特別是它們如何解決傳統方法的時間與成本問題。文章介紹了LLMs在藥物發現各階段的應用，包括藥物設計、靶點識別、驗證及相互作用分析等。此外，還提到針對藥物發現的專屬LLMs的發展及其挑戰，並展望未來人工智慧在藥物開發中的整合潛力。 PubMed DOI

Drug target assessments: classifying target modulation and associated health effects using multi-level BERT-based classification models.
藥物靶點評估：使用多層 BERT 基礎分類模型對靶點調節及相關健康影響進行分類。 Bioinform Adv 2025-03-20

藥物靶點的選擇對藥物開發至關重要，因此早期評估新靶點的治療效益和風險是必要的。傳統手動分析可能偏頗且耗時，但大型語言模型（LLMs）能提供更有效的文獻分析。目前，針對此目的的公開LLMs仍有限，主要集中在共現分析上。為解決此問題，基於BERT的模型已開發，用於分析PubMed中藥物靶點與健康效應的關係，並展現出0.86到0.92的F1分數。這些模型提供了靶點調節如何影響健康的深入見解，並已在PubMed數據庫中部署，透過TargetTri平台可訪問，代表AI輔助藥物靶點識別的重大進展。更多資訊可至 https://www.targettri.com 查詢。 PubMed DOI

原始文章

站上相關主題文章列表