CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models.
CancerGPT：使用大型預訓練語言模型進行少樣本藥物配對協同作用預測。 ArXiv 2024-03-04

少量數據下的LLMs有潛力，但在生物學等複雜領域的泛化能力尚待研究。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的模型CancerGPT在七種罕見組織上表現優異，即使只有124M參數，也不輸給更大的GPT-3。這是首個探討此議題的研究，也是首個在生物反應預測中應用LLM的研究。 PubMed DOI

CancerGPT for few shot drug pair synergy prediction using large pretrained language models.
使用大型預訓練語言模型進行少量樣本藥物配對協同作用預測的 CancerGPT。 NPJ Digit Med 2024-03-04

大型語言模型（LLMs）在少量數據下展現潛力，特別在生物醫學領域。我們提出使用LLMs進行少樣本學習，預測罕見組織中藥物協同作用。實驗結果顯示，我們的CancerGPT模型在極少或零樣本下表現優異，與更龐大的GPT-3模型相當。這研究有助於預測罕見組織中的藥物協同作用，推動LLMs在生物醫學領域的應用。 PubMed DOI

Large Language Model-Based Natural Language Encoding Could Be All You Need for Drug Biomedical Association Prediction.
基於大型語言模型的自然語言編碼可能是您預測藥物生物醫學關聯所需的一切。 Anal Chem 2024-07-16

在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

DrugReAlign: a multisource prompt framework for drug repurposing based on large language models.
DrugReAlign：基於大型語言模型的多來源提示框架進行藥物重定位。 BMC Biol 2024-10-08

藥物再利用是一種高效且具成本效益的藥物發現策略，但現有模型常因數據不足而影響預測準確性。傳統的藥物-靶標互動模型難以泛化於大量藥物。相對地，大型語言模型（LLMs）因其龐大的數據和參數具優勢。我們提出了DrugReAlign框架，結合LLMs和多來源提示技術，增強藥物再利用。此框架從廣泛知識庫中收集藥物和靶標的資訊，解決數據限制，並整合多數據庫的靶標摘要，顯著提升LLMs的表現。透過分子對接和DTI數據集驗證，我們發現LLMs的靶標分析準確性與預測質量高度相關，顯示此框架可能為藥物再利用開創新途徑。 PubMed DOI

Simulate Scientific Reasoning with Multiple Large Language Models: An Application to Alzheimer's Disease Combinatorial Therapy.
模擬多個大型語言模型的科學推理：應用於阿茲海默症的聯合療法。 medRxiv 2024-12-23

這項研究提出了一個由人工智慧驅動的框架，利用大型語言模型來模擬科學推理和同行評審，預測有效的組合療法。該框架的準確度達到0.74，超過傳統方法的0.52。研究強調高品質範例、外部知識整合及自我一致性的重要性。外部驗證使用私有數據，準確度更達0.82。這個框架提供了一種自動化的知識驅動方法，適用於數據不足的生物推理任務。相關源代碼和數據可在 https://github.com/QidiXu96/Coated-LLM 獲得。 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

Multimodal AI predicts clinical outcomes of drug combinations from preclinical data.
多模態人工智慧從前臨床數據預測藥物組合的臨床結果。 ArXiv 2025-03-17

MADRIGAL是一個創新的多模態人工智慧模型，專注於從臨床數據中預測藥物組合的臨床結果。它整合結構、途徑、細胞活性和轉錄組等多種數據，克服了缺失數據的挑戰。經過測試，MADRIGAL在預測不良藥物相互作用方面表現優於傳統方法，並能進行抗癌藥物組合的虛擬篩選，特別針對II型糖尿病和脂肪肝炎。它還支持個性化癌症治療，並能用自然語言描述臨床結果，提升安全性評估。總之，MADRIGAL在設計組合療法上具有更高的預測準確性和臨床相關性。 PubMed

Enhancing Herbal Medicine-Drug Interaction Prediction Using Large Language Models.
利用大型語言模型增強草藥與藥物相互作用預測。 IEEE J Biomed Health Inform 2025-04-07

這項研究專注於提升藥物與草藥互動的預測，對優化治療策略和個人化醫療非常重要。研究運用深度學習技術，特別是大型語言模型（LLMs），來解決數據質量低和分佈不均的問題。模型透過藥物的SMILES提取特徵，並對草藥進行一熱編碼，使用變分圖自編碼器（VGAEs）分析草藥與藥物的互動圖。這種方法提高了模型的可解釋性，並解決了高階節點的問題。實驗結果顯示其在中醫、藥物開發和精準醫療中的潛力，相關代碼和數據已在GitHub上公開。 PubMed DOI

DrugGen enhances drug discovery with large language models and reinforcement learning.
DrugGen 結合大型語言模型與強化學習以促進新藥發現 Sci Rep 2025-04-18

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

原始文章

站上相關主題文章列表