這項研究聚焦於GLP-1受體，這對於治療2型糖尿病和肥胖非常重要。研究人員利用配體接近標記技術，發現了在胰臟β細胞和神經細胞中GLP-1受體的新相互作用者，這方面的研究相對較少。他們找到了影響GLP-1受體信號傳遞及β細胞胰島素分泌的新調節因子，並為β細胞中的受體製作了時間解析的細胞膜相互作用圖。這項研究為了解G蛋白偶聯受體的細胞膜互動提供了新方法，增進了我們對其在不同細胞功能的理解。 PubMed DOI

Semaglutide是一種GLP-1受體激動劑，對於治療2型糖尿病及心血管健康有顯著效果。這篇綜述透過系統文獻搜尋，探討semaglutide對心血管效應的蛋白質組學和代謝組學指標。研究使用質譜和核磁共振技術，分析其對胰島素分泌、體重、炎症及脂質代謝的影響。雖然發現了重要的代謝變化，但仍需克服個體差異及臨床數據整合的挑戰。未來結合AI技術，可能提升心血管健康管理的預測與監測能力。 PubMed DOI

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

這篇評論探討生理學研究如何因應Omic技術的進步而轉向分子生理學，特別是蛋白質質譜分析和下一代DNA測序（NGS）。雖然這些技術提供了豐富的基因、mRNA和蛋白質數據，但要全面理解生理過程仍然困難。評論提到三種整合Omic數據與傳統研究的方法：開發線上資源、使用貝葉斯方法結合不同數據，以及應用自然語言處理技術分析文獻。此外，還提到大型語言模型（如ChatGPT）在知識整合中的角色及其局限性。 PubMed DOI

多組學研究是一種創新的生物科學方法，結合基因組學、轉錄組學、蛋白質組學和代謝組學等數據，幫助我們全面理解生物系統。這篇綜述強調數據整合的重要性，揭示生物過程中的複雜互動。 我們討論了深度學習、圖神經網絡和生成對抗網絡等計算技術的最新進展，這些技術提升了多組學數據的分析能力。同時，文章也探討了數據異質性和模型可解釋性等挑戰。 此外，大型語言模型在特徵提取和知識整合方面的潛力也被提及。儘管多組學有很大潛力，但所需的計算資源和模型調整的複雜性仍需持續創新與合作。 PubMed DOI

這項研究分析了超過80,000篇文獻，深入探討代謝組學領域。作者利用PubMedBERT將摘要轉換為768維的嵌入向量，並透過t-SNE降維，揭示了在化學、植物生物學、藥理學及臨床診斷等領域的聚類現象。結合GPT-4o mini的主題建模，研究分為20個主題，如「植物壓力反應機制」及「COVID-19代謝組學」。時間分析顯示，自2015年後深度學習的應用增加，且對生物標記的重視持續。研究團隊還提供互動式網頁應用，方便探索這些見解，為研究人員和政策制定者提供有價值的框架。 PubMed DOI

能量代謝與運輸過程對腎臟近端小管細胞的功能非常重要。最近的研究利用代謝組學和轉錄組學，揭示了單細胞轉錄組特徵變化與腎臟發育及疾病的能量代謝之間的關聯。研究發現，近端小管細胞可依脂肪酸氧化酶的mRNA水平分為高低兩群，慢性腎病患者的低氧化能力細胞比例較高，且與鈉運輸蛋白水平降低有關。這些發現有助於理解不同代謝能力如何影響患者的疾病特徵，為腎臟科的精準醫療提供依據。 PubMed DOI

Omics技術大幅推進了腎臟病學的發展，讓我們更深入了解腎臟疾病的分子機制。這些技術幫助開發更準確的診斷工具和治療策略，並提供預後標記。整合多層次的omics數據，包括大規模、單細胞和空間omics，讓我們能全面理解腎臟的健康與疾病狀態。 本篇綜述探討了整合不同omics層次（如轉錄組、表觀基因組和空間數據）的方法與挑戰，並強調這對於研究糖尿病腎病和多囊腎等疾病的重要性。這種整合方法正在改變腎臟病學的診斷與治療，對改善病人結果至關重要。 PubMed DOI

全球超過8.5億人受腎臟病影響，早期發現很重要。腎臟病常會造成脂質代謝異常。質譜影像（像MALDI、DESI MSI）能幫助研究人員在腎臟特定區域觀察脂質變化，深入了解疾病機制。結合空間代謝體學和其他技術，有機會帶來新的臨床應用。 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