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

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

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

Natural language processing in drug discovery: bridging the gap between text and therapeutics with artificial intelligence.
人工智慧輔助下，自然語言處理於藥物開發：連結文本與治療之間的橋樑 Expert Opin Drug Discov 2025-04-29

近年AI和NLP技術大幅提升生命科學領域的文本分析效率，像NER、知識圖譜和大型語言模型各有優缺點，適合不同生物資料。選擇技術時要依應用需求調整。隨著科學文獻暴增，研究人員面臨更多機會與挑戰。 PubMed DOI

Alzheimer's disease knowledge graph enhances knowledge discovery and disease prediction.
Alzheimer's disease 知識圖譜提升知識發現與疾病預測 Comput Biol Med 2025-04-30

研究團隊整合生醫文獻和資料庫，建立阿茲海默症知識圖譜（ADKG），用NLP技術捕捉AD相關基因、藥物等複雜關聯。經ADKG訓練的模型能預測新關聯，並結合UK Biobank資料後，提升AD預測準確度。ADKG有助於加速治療與診斷發現，推動阿茲海默症精準醫療發展。 PubMed DOI

Large language models for Alzheimer's disease drug discovery.
用於阿茲海默症新藥開發的大型語言模型 J Alzheimers Dis 2025-06-02

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

How generative Artificial Intelligence can transform drug discovery?
生成式人工智慧如何改變藥物研發？ Eur J Med Chem 2025-06-02

生成式AI正加速新藥研發，能深入分析複雜生物和化學資料。這篇綜述介紹主流AI模型、分子表徵和評估方式，並說明在蛋白質交互、藥物設計等應用。雖然潛力大，但還有模型解釋性差、資料不足等挑戰。文中也建議用混合模型、資料增強、雲端運算等方法來突破，並強調跨領域合作的重要性。 PubMed DOI

DrugReX: an explainable drug repurposing system powered by large language models and literature-based knowledge graph.
DrugReX：由大型語言模型與文獻知識圖譜驅動的可解釋性藥物再利用系統 Res Sq 2025-06-30

DrugReX 是一套結合知識圖譜、機器學習和大型語言模型的新系統，能更有效率地找出藥物再利用的潛力。實際應用在阿茲海默症時，不只找出新藥物候選，還能提供有文獻佐證的解釋，專家也認為這比單靠 LLMs 更可靠，有助提升藥物再利用的透明度和可信度。 PubMed DOI

LLM-DDI: Leveraging Large Language Models for Drug-Drug Interaction Prediction on Biomedical Knowledge Graph.
LLM-DDI：運用大型語言模型於生物醫學知識圖譜進行藥物間交互作用（Drug-Drug Interaction）預測 IEEE J Biomed Health Inform 2025-07-02

這篇論文提出 LLM-DDI 模型，結合 GPT 產生的分子嵌入和圖神經網路，利用生醫知識圖譜的語意關係來預測藥物交互作用。實驗證明，LLM-DDI 在真實資料上表現比現有方法更好，對藥物開發和臨床應用很有幫助。 PubMed DOI

Drug repurposing for Alzheimer's disease using a graph-of-thoughts based large language model to infer drug-disease relationships in a comprehensive knowledge graph.
利用基於圖思維（graph-of-thoughts）的大型語言模型，於綜合知識圖譜中推論藥物與疾病關係，進行阿茲海默症藥物再利用。 BioData Min 2025-08-06

這項研究證實，結合疾病專屬知識圖譜、先進大型語言模型和Graph-of-Thoughts方法，能大幅提升阿茲海默症藥物再利用的效率。全新ESCARGOT框架表現優於傳統方法，不僅加速藥物開發，也有望推廣到其他疾病領域。 PubMed DOI

原始文章

站上相關主題文章列表