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

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

Building A Unified Model for Drug Synergy Analysis Powered by Large Language Models.
由大型語言模型驅動的藥物協同作用分析統一模型的建立 bioRxiv 2025-04-16

作者提出 BAITSAO 統一模型，運用大型語言模型產生的嵌入技術，提升癌症藥物協同作用的預測準確度。該模型經多任務學習訓練，表現優於現有方法，還能協助新藥發現、藥物與基因互動分析及多重藥物協同效果預測。 PubMed DOI

DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction.
DrugAgent：基於多智能體大型語言模型推理的藥物-靶點交互作用預測 ArXiv 2025-04-29

DrugAgent 是專為藥物-靶點交互預測設計的多代理大型語言模型系統，結合機器學習、知識圖譜和文獻證據，並強調推理透明度。其 F1 分數比傳統方法高 45%，且能清楚說明每次預測的推理過程，提升生醫應用的可信度。程式碼已公開。 PubMed

Building a unified model for drug synergy analysis powered by large language models.
建構由大型語言模型驅動的藥物協同作用分析統一模型 Nat Commun 2025-05-15

這篇論文提出 BAITSAO 統一模型，利用大型語言模型產生的嵌入來表示藥物和細胞株，並用多任務學習預訓練。BAITSAO 在藥物協同作用預測上表現優於現有方法，未來在藥物開發和基因交互分析等應用也很有潛力。 PubMed DOI

GICL: A Cross-Modal Drug Property Prediction Framework Based on Knowledge Enhancement of Large Language Models.
GICL：基於大型語言模型知識增強的跨模態藥物性質預測框架 J Chem Inf Model 2025-05-28

這篇研究提出GICL框架，把藥物SMILES字串的大型語言模型嵌入和分子影像結合，利用跨模態對比學習整合資訊。這種融合方式讓GICL在藥物性質預測（ADMET）上表現領先，還能提供可解釋的分析，有助於提升藥物開發效率。 PubMed DOI

原始文章

站上相關主題文章列表