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

大型語言模型（LLMs）在各種任務上表現出色，但在化學領域卻遇到困難。ChemCrow是一個LLM化學智能助手，整合了專業工具和GPT-4，以增強有機合成和藥物發現等化學任務。ChemCrow能夠自主規劃合成路線並有效地引導發現，將實驗和計算化學有效地連結，促進科學進步。 PubMed DOI

這段文字探討自然語言在人工與機器互動中的新角色，特別是在生物化學任務上，如性質預測和分子挖掘。作者提出「對話式分子設計」，讓使用者能用自然語言描述和編輯分子。為此，他們開發了ChatMol，一個結合實驗數據和化學知識的生成式預訓練模型。研究證明這種方法的有效性，並提供了未來在分子發現中自然語言互動的見解，相關資源也在GitHub上公開。 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

大型語言模型（LLM）技術為合成化學帶來了新機會。我們開發了一個基於LLM的反應開發框架（LLM-RDF），利用GPT-4簡化化學合成任務。這個框架包含六個專門的代理，能執行文獻搜尋、實驗設計、硬體執行等功能。我們還創建了一個網頁應用程式，讓化學家能用自然語言與自動化實驗平台互動，無需編碼技能。LLM-RDF在銅/TEMPO催化的醇類氧化反應中展現了其完整的合成開發能力，並在多種反應中證明了其廣泛適用性。 PubMed DOI

大型語言模型（LLMs）顯著改變了自然語言處理（NLP）領域，尤其是在有機化學等專業領域。AIChemEco Inc. 開發的SynAsk是一個針對有機化學任務的LLM平台，能預測合成過程。它透過專門數據微調，並採用思考鏈方法，將知識庫與化學工具整合在問答格式中。功能包括化學知識庫、分子信息檢索、反應性能預測等，成為有機化學研究的重要工具。可至 https://synask.aichemeco.com 訪問。 PubMed DOI

最近大型語言模型（LLMs）在藥物發現中的應用引起關注，特別是在分子優化方面。大多數現有方法未能納入專家反饋，缺乏迭代和經驗性特徵。為了解決這個問題，我們推出了DrugAssist，一個透過人機對話增強分子優化的互動模型。DrugAssist在優化多個性質上表現優異，顯示出其可轉移性和改進潛力。此外，我們還發布了'MolOpt-Instructions'數據集，以促進語言模型的微調。相關代碼和數據集可在 https://github.com/blazerye/DrugAssist 獲得，支持未來的研究。 PubMed DOI

大型語言模型（LLMs）在化學領域越來越重要，能協助分子設計、性質預測和合成優化。這篇綜述探討了LLMs的能力及其自動化對科學發現的影響，還提到基於LLM的自主代理，能執行文獻擷取和與自動化實驗室互動等任務。文章也涵蓋了這些代理在其他科學領域的應用，並檢視其最新發展與挑戰，如數據質量和模型可解釋性。未來建議發展更先進的多模態代理，並改善與實驗方法的合作。欲了解更多，可參 PubMed DOI

人工智慧（AI）透過深度學習技術，特別是卷積神經網絡（CNNs），已在各領域帶來重大變革。自1990年代Yann LeCun提出以來，CNNs被廣泛應用於醫療診斷、自動駕駛、金融預測及圖像識別等。分析化學方面，深度學習提升了質譜、核磁共振等數據分析的效果。隨著大型語言模型（LLMs）如ChatGPT的興起，自然語言處理也獲得了新動力。本文探討如何利用智能手機和LLM進行激光誘導擊穿光譜（LIBS）數據的互動式分析，顯示LLMs在未來分析化學中的重要性。 PubMed DOI