BioinspiredLLM是一個新的開源大型語言模型，旨在協助生物和受生物啟發的材料科學領域。經過訓練後，它能夠幫助回憶資訊、支援研究任務，並產生創意想法。已顯示在材料設計上的潛力，可與其他人工智慧模型合作，提升效率。有助於整合知識領域，重新定義生物材料領域的設計流程。 PubMed DOI

大型語言模型（LLMs）是強大的人工智慧模型，應用在自然語言處理等任務上表現優異。透過深度學習技術，利用龐大數據訓練神經網絡的參數。LLMs在生物資訊領域展現潛力，可能超越語言建模能力。本文討論了知名的LLMs如BERT和GPT在生物資訊中的應用，包括基因組學、轉錄組學、蛋白質組學、藥物發現和單細胞分析，並強調了LLMs在應對生物資訊挑戰上的潛力。 PubMed DOI

大型語言模型（LLMs）在醫學和臨床資訊學中扮演重要角色，能幫助突破和個人化治療。透過分析複雜的生物數據，揭示基因組學、蛋白質結構和健康記錄中的隱藏模式，對基因組分析、藥物開發和精準醫學有所助益。然而，必須面對數據偏見、隱私和道德等挑戰，才能負責任地應用。克服這些障礙將帶來分子生物學和製藥研究的重大進展，造福個人和社區。 PubMed DOI

微生物細胞工廠（MCFs）利用合成生物學技術生產化合物，但傳統方法繁瑣。現在透過人工智慧（AI）快速處理生物數據，提高效率，改進微生物生產。AI改變了設計-構建-測試循環，帶來更好結果。本文討論AI在基因組注釋、蛋白工程、功能蛋白設計和微生物生產途徑預測的應用，也探討了挑戰和大型語言模型（LLMs）的潛力。 PubMed DOI

最近，人工智慧和自動化的進展正在徹底改變催化劑的發現與設計，從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動，促成了自駕實驗室的誕生，加速了材料研究的進程。近兩年，大型語言模型的興起也為這個領域帶來了更大的靈活性，改變了催化劑設計的方式，標誌著學科的革命性轉變。 PubMed DOI

人工智慧（AI）正在改變科學研究，像是蛋白質摺疊和文獻摘要等領域，但在天然產品研究中的應用卻受到限制。這主要是因為數據多樣且不平衡，分散在不同資料庫中，影響了深度學習模型的效能。為了解決這個問題，作者提議建立一個知識圖譜，整合天然產品數據，幫助開發更能模擬科學家決策過程的AI模型，並讓更多人能夠獲取這些數據，提升AI在該領域的應用。 PubMed DOI

最近，自然語言處理（NLP）領域因大型語言模型（LLMs）的出現而有了重大進展。這些模型基於深度學習架構，如變壓器（transformers），擁有數十億的參數和龐大的訓練數據，能在各種任務中達到高準確度。LLMs不僅在傳統NLP應用上表現出色，還在生物信息學中解決了複雜數據集的挑戰，協助基因組學和藥物發現等領域的研究，為生命科學的新發現鋪路。 PubMed DOI

大型語言模型（LLMs）如GPT和LLaMA在自然語言處理上表現優異，但在製藥製造等特定領域仍在探索中。本研究利用製造偏差的歷史記錄，旨在提升生產力、效率、品質和合規性。透過建立數據集，研究評估生成型LLMs和文本嵌入模型在處理偏差任務的能力。結果顯示，較大的生成模型在提取任務中表現佳，推理能力強，但也有幻覺行為。嵌入模型則能有效捕捉偏差類別的語義。整體而言，AI工具在製藥製造流程中展現出顯著潛力，並提出未來研究的方向。 PubMed DOI

最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

這篇評論強調大型語言模型（LLMs）在合成生物學（SynBio）教育與研究中的重要性，特別是在生物製造領域。文章比較了美國和中國的LLMs在解決SynBio問題上的表現，並探討了它們如何從非結構化數據中提取資訊、建立知識圖譜，及促進檢索增強生成。預期LLMs將提升代謝建模和工程中的設計-建造-測試-學習（DBTL）循環，並推動自動化實驗室的發展。最後，呼籲建立LLMs的基準、發展生物安全措施，並促進相關領域專家的合作。 PubMed DOI