BioNexusSentinel是一個用於RNA-seq和生物調控網絡探索的軟體平台，整合了視覺工具和Reactome生物模型。它包括基因表達分析器和細胞組織RNA-seq探索器，提高研究生產力，並在網絡建模和生物狀態分析中有應用。該項目在GitHub上可找到。 PubMed DOI

空間轉錄體學技術能以單細胞分辨率繪製轉錄本，有助於理解細胞組織。這些技術加速了腎臟學等領域的發現，提供關於細胞類型和相互作用的空間信息。整合空間轉錄體學與其他組學方法可生成全面的分子圖譜，深入了解健康和疾病中的分子動態。本文討論了目前和新興的空間轉錄體學方法、應用及面臨的挑戰。 PubMed DOI

AutoBA是一款創新的AI工具，專為自動化多組學生物資訊分析而設計。它利用大型語言模型簡化分析過程，使用者只需提供少量輸入，並能獲得詳細的步驟計劃。AutoBA能根據數據變化自我調整分析流程，並支持多個LLM後端，提供在線及本地使用選項，確保數據安全與隱私。此外，它具備自動代碼修復機制，增強分析穩定性，並能隨著新興工具的發展而適應，成為多組學分析的強大解決方案。 PubMed DOI

「AI 科學家」是一種創新的生物醫學研究方法，旨在設計 AI 系統來增強人類能力，而非取代人類。這些 AI 代理能進行懷疑式學習和推理，與人類研究者有效合作。透過整合先進的 AI 模型與生物醫學工具，它們能分析大量數據、探索假設並自動化重複性任務，簡化研究過程。這些代理還能持續學習，保持最新的科學知識，應用於虛擬細胞模擬、新療法開發等領域，促進生物醫學研究的進步。 PubMed DOI

空間轉錄組學是理解組織細胞組成的重要工具，尤其在癌症研究中，腫瘤微環境至關重要。然而，數據的複雜性使解釋變得困難。本研究探討大型語言模型（LLMs）在分析小鼠黑色素瘤模型的空間轉錄組數據的應用。研究發現Claude 3.5 Sonnet在斑點量化和模式識別上表現最佳，並開發出系統化工作流程，幫助分析腫瘤免疫景觀。該模型揭示了免疫抑制機制，並顯示LLMs在空間轉錄組學中的潛力，能有效提升數據解釋的能力。 PubMed DOI

SciAgents 方法針對人工智慧中的一大挑戰，創造出能自主增進科學理解的系統。它結合了三個主要元素：大規模本體知識圖譜、語言模型與數據檢索工具，以及具即時學習能力的多代理系統。在生物啟發材料領域，SciAgents 揭示了被忽視的跨學科連結，超越傳統研究方法，能自主制定和修正假設，發現新材料並批判現有假設，促進可持續的生物複合材料開發。 PubMed DOI

ChatExosome是一個利用大型語言模型的AI代理，專注於肝細胞癌（HCC）的診斷，代表了重要的進展。傳統依賴α-胎蛋白（AFP）作為腫瘤標記，可能會漏診，因此需要改進診斷工具。ChatExosome結合了兩大關鍵技術：首先，透過深度學習分析外泌體的拉曼光譜，達到95.8%的高準確率；其次，搭載互動聊天代理，能理解用戶意圖並處理數據。這個系統不僅提升了診斷的可解釋性，還幫助醫生做出更明智的決策，未來在醫療智能診斷上具備很大潛力。 PubMed DOI

尖峰排序對於理解神經活動非常重要，但傳統方法繁瑣且難以擴展。隨著神經記錄技術的進步，自動化解決方案的需求愈加迫切。為此，我們推出了SpikeAgent，這是一個由大型語言模型驅動的AI代理，能自動化尖峰排序過程。SpikeAgent結合多個LLM後端和已建立的算法，能自主執行排序並生成可解釋的報告，增強透明度。經過與專家的基準測試，SpikeAgent顯示出與人類專家相當的整理一致性，顯著降低專業知識門檻，並加速整理過程，為神經科學研究帶來重大進展。 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

這項研究提出了一個新穎的流程，結合大型語言模型（LLMs）與人類專家的知識，來優先排序特定的漿細胞相關基因。流程分為兩步： 1. **高通量篩選**：利用LLMs對17個基因進行評分，最終選出五個候選基因：CD38、TNFRSF17、IGJ、TOP2A和TYMS。 2. **人類增強驗證**：專家精煉評分，確認CD38和TNFRSF17為最佳候選基因。 分析轉錄組數據後，CD38被確定為最佳選擇，TNFRSF17和IGJ則是有潛力的替代選擇。這項研究展示了結合知識與數據的方法，適用於各種生物學背景。 PubMed DOI