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

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

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

在2021年，AlphaFold 2 在蛋白質摺疊問題上取得重大突破，能準確預測超過兩億種蛋白質的三維結構，為大型語言模型（LLMs）在生命科學的應用鋪路。最近，我們進入一個新階段，這些先進的基礎模型在龐大數據集上預訓練，能處理蛋白質、RNA、DNA等生物分子的結構與相互作用。與傳統模型不同，新的生命大型語言模型（LLLMs）整合了多種分子生物學的知識，例如Evo模型，能預測基因變異對分子結構的影響，甚至生成新的DNA序列。 PubMed DOI

這個系統透過整合大型語言模型（LLMs）和知識圖譜，提升材料化學中聚合物科學的合成路徑識別。它解決了大分子命名的複雜性，並自動化文獻檢索、反應數據提取等任務。 主要特點包括： 1. **數據提取與結構化**：利用LLMs提取化學物質名稱，並組織成知識圖譜。 2. **逆合成路徑構建**：建立逆合成路徑樹，探索多種合成路徑。 3. **多分支反應路徑搜尋演算法（MBRPS）**：識別所有有效的多分支反應路徑，擴展逆合成規劃。 4. **聚酰亞胺合成應用**：成功生成全面的逆合成路徑樹，推薦優化路徑。 這項工作在自動化大分子逆合成規劃上有重大進展。 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

Omics 資料量暴增，超出現有分析能力，但大型語言模型（LLMs）能解決這問題。透過多模態基礎模型預訓練，可有效解析基因體、轉錄體等多元資料，應用於細胞分類、生物標記發現、基因調控等，推動 AI 驅動的生物研究，深入了解生命科學。 PubMed DOI

生物合成因為環保又精準，越來越受重視。AI的加入大幅加快了生物合成的設計和優化，尤其在合成路徑規劃和酵素工程上很有幫助。即使資料有限，大型語言模型也展現潛力。不過，AI應用還有不少挑戰，未來在藥物、綠色化學等領域會更普及，但還需要持續研究突破。 PubMed DOI

生成式AI正加速新藥開發、蛋白質與基因研究，也推動個人化醫療和農業創新，像是培育更優良作物。它還促進合成生物學和永續發展。不過，資料隱私和公平性等倫理問題也要一起重視，才能確保負責任的應用。 PubMed DOI

AI 和機器學習正大幅改變定量系統藥理學（QSP），像自動化資料擷取、混合模型和大型語言模型等新工具，讓 QSP 建模更簡單、協作性更高，有助加速和個人化藥物開發。不過，驗證、倫理、法規和整合複雜生物資料等挑戰仍待克服。整體來說，AI/ML 將徹底革新 QSP，推動治療創新。 PubMed DOI