Generative artificial intelligence in drug discovery: basic framework, recent advances, challenges, and opportunities.
藥物發現中的生成人工智慧：基本架構、最新進展、挑戰和機會。 Front Pharmacol 2024-02-24

藥物開發費用高達25億美元，討論了調整現有分子和創造新分子兩種方法。人工智慧在藥學領域帶來革命，尤其生成式人工智慧在藥物發現中備受矚目。探討了不同生成式人工智慧模型、應用、挑戰及潛力。強調了商業合作夥伴在藥物發現中的重要性。 PubMed DOI

Knowledge graphs in psychiatric research: Potential applications and future perspectives.
精神研究中的知識圖譜：潛在應用與未來展望。 Acta Psychiatr Scand 2024-06-17

知識圖譜在精神研究中雖不常見，但在生物醫學領域中卻是寶貴工具，可幫助組織知識和發現新關係。本文討論了在AI和LLMs時代，KGs如何增進精神研究。透過各科學領域文獻，我們確認了KG應用，可助精神研究。提供計算研究人員在精神醫學中運用KGs的建議，強調了在生物標記發現和個人化醫學等領域的潛力。總之，利用KGs推動精神研究，有助於改善對心理疾病的理解和治療。 PubMed DOI

Alzheimer's Disease Knowledge Graph Enhances Knowledge Discovery and Disease Prediction.
阿茲海默症知識圖譜增進知識發現與疾病預測。 bioRxiv 2024-07-15

阿茲海默症是個嚴重問題，目前沒有效治療。知識圖被用在生醫研究，找出AD的藥物再利用和生物標記。一研究建立了針對AD的知識圖，分析AD、基因、變異、化學物質、藥物和其他疾病的互動。透過對PubMed摘要註釋和AI文本擴增，訓練了數據挖掘模型，提取關係。建立了全面的阿茲海默症知識圖，整合其他數據庫，訓練知識圖嵌入模型，有助於改進AD研究和治療。 PubMed DOI

Empowering natural product science with AI: leveraging multimodal data and knowledge graphs.
利用人工智慧增強天然產品科學：利用多模態數據和知識圖譜。 Nat Prod Rep 2024-08-16

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

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

An Accurate and Efficient Approach to Knowledge Extraction from Scientific Publications Using Structured Ontology Models, Graph Neural Networks, and Large Language Models.
一種準確且高效的科學文獻知識提取方法：使用結構化本體模型、圖神經網絡和大型語言模型。 Int J Mol Sci 2024-11-09

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI

BioMedGraphica: An All-in-One Platform for Biomedical Prior Knowledge and Omic Signaling Graph Generation.
BioMedGraphica：一個整合生物醫學先前知識與Omic信號圖生成的全方位平台。 bioRxiv 2024-12-23

人工智慧（AI）正透過分析大型數據集來改變科學發現，尤其是在精準健康與醫學領域。不過，生物醫學數據常常零散且不一致，整合上有挑戰。為了解決這個問題，我們開發了**BioMedGraphica**，這是一個綜合平台，擁有超過300萬個實體和5600萬個關係的統一文本屬性知識圖譜，數據來自43個生物醫學數據庫。這個平台讓研究人員能進行知識發現，並以友好的介面提供與藥物、疾病等相關的豐富信息，還能創建多組學信號圖，助力新型AI模型的開發。 PubMed DOI

Knowledge graph-based thought: a knowledge graph-enhanced LLM framework for pan-cancer question answering.
基於知識圖譜的思維：一個知識圖譜增強的 LLM 框架，用於泛癌症問答。 Gigascience 2025-01-08

近年來，大型語言模型（LLMs）在生物醫學領域展現潛力，但常面臨錯誤輸出和幻覺等問題。為了解決這些挑戰，我們開發了基於知識圖譜的思維（KGT）框架，將LLMs與知識圖譜結合，透過整合可驗證資訊來增強回應，顯著減少推理錯誤。KGT框架適應性強，能在多種開源LLMs中表現良好，並能發現藥物新用途及預測抗藥性。總體而言，KGT框架提升了LLMs在生物醫學的準確性與實用性。 PubMed DOI

Large language models facilitating modern molecular biology and novel drug development.
大型語言模型促進現代分子生物學與新藥開發。 Front Pharmacol 2025-01-08

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

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

原始文章

站上相關主題文章列表