在分子生物學中，探索分子間的關聯性至關重要，而大型語言模型（LLMs）的出現大幅推進了這一領域。這些模型在自然語言處理和圖像生成上表現優異，能夠從龐大數據集中捕捉複雜關係，成為基礎模型。 目前的數據集涵蓋RNA、DNA、蛋白質序列及單細胞和空間轉錄組，為模型開發提供了豐富基礎。未來，基礎模型的發展將專注於提升可解釋性、整合多組學數據及增強預測能力，對於改進我們對生物系統的理解及治療策略具有巨大潛力。 PubMed DOI

單細胞多組學技術，特別是單細胞RNA測序（scRNA-seq），讓我們更深入了解細胞的多樣性與發展。透過將基因視為單詞，並利用word2vec技術生成基因的向量表示，我們能夠進行多尺度分析，識別細胞狀態與發展軌跡。這種方法不僅計算效率高，還能在不依賴高效能計算集群的情況下進行分析，成為探索細胞發展、基因影響及組織關係的重要工具。 PubMed DOI

功能性蛋白質組學在癌症研究中非常重要，能幫助識別新的生物標記和治療目標。我們建立了一個全面的資源，包含近8,000名癌症患者和約900個癌症細胞系的數據，並挑選了近500種高品質抗體，涵蓋主要癌症通路。為了提升可用性，我們推出了DrBioRight 2.0（https://drbioright.org），這是一個直觀的生物資訊平台，結合大型語言模型，讓研究人員能深入分析和視覺化蛋白質組學數據，加速轉化為生物醫學見解。 PubMed DOI

單細胞和空間組學的應用在模型和病人樣本中，已經幫助識別許多新基因集，特別是在免疫療法方面。不過，這些基因集的生物學意義常常被片面解釋，因為依賴的註釋數據庫缺乏深度和準確性。為了解決這個問題，研究人員開發了免疫細胞知識圖譜（ICKGs），整合超過24,000篇文獻，並利用大型語言模型進行知識綜合。這些圖譜的質量經過獨立數據驗證，並能全面準確地註釋免疫學基因集。研究團隊還創建了一個互動網站，讓用戶能夠進行基於ICKG的基因集註釋。可透過[這個連結](https://kchen-lab.github.io/immune-knowledgegraph.github.io/)訪問。 PubMed DOI

在單細胞轉錄組學中，細胞類型註解不一致會影響數據整合與機器學習。為了解決這個問題，我們開發了統一的層級註解框架（uHAF），包含器官特定的層級細胞類型樹（uHAF-T）和大型語言模型驅動的映射工具（uHAF-Agent）。uHAF-T 提供38個器官的標準化參考，促進一致的標籤統一。uHAF-Agent 利用 GPT-4 將多樣的細胞標籤映射到 uHAF-T，簡化協調過程。這個框架增強了數據整合，支持機器學習，並促進單細胞研究的合作。uHAF 可在 https://uhaf.unifiedcellatlas.org 和 https://github.com/SuperBianC/uhaf 獲得，補充數據也可在 Bioinformatics 在線查詢。 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

現代多模態影像技術，像是質譜影像（MSI），讓我們能更精確地看出組織內各種分子的分布。結合MSI和其他分析方法，有助於深入了解細胞差異和疾病機制，對精準醫療發展很有幫助。 PubMed DOI

近十年質譜影像技術大躍進，能在組織切片中高解析度地描繪數百種代謝物和蛋白質分布，特別在腎臟等器官研究上很有幫助。這些成果仰賴跨領域合作，但資料分析和標準化還有待加強。隨著技術和品質控管進步，未來應用會更普及，對複雜疾病的理解也會更深入。 PubMed DOI

這項研究開發了一套新型網絡分析工具，能整合脂質、代謝物和蛋白質等多種資料，幫助深入了解疾病機制。透過簡單易用的 R Shiny 介面，研究人員可以視覺化分子關係，並根據功能排序。應用在心血管疾病時，不只驗證已知生物標記，還發現了新的潛在標記，並揭示藥物對脂質代謝的影響，對精準醫療很有幫助。 PubMed DOI

scDrugMap 是首個針對單細胞藥物反應預測的大型基準評測工具，支援 Python CLI 和網頁操作。它評比了 10 種模型，涵蓋 36 個資料集、超過 32 萬細胞。結果顯示 scFoundation 整體表現最佳，UCE 和 scGPT 在特定情境也很優秀。scDrugMap 平台操作簡單，對藥物開發和研究很有幫助。 PubMed