這項研究探討了使用調校過的大型語言模型（LLMs）進行複雜化學文本挖掘任務，並在各種任務中取得了令人印象深刻的表現，僅需少量標註數據。調校過的ChatGPT模型表現優異，超越其他LLMs，展示了它們在化學知識提取的自動化數據獲取方面的潛力。 PubMed DOI

這項研究評估了ChatGPT-4在社區藥局的表現，包括藥物資訊檢索、標籤錯誤識別、處方解讀及決策支持等。結果顯示，ChatGPT對藥物查詢的回應相當滿意，能引用正確的藥物數據，並成功識別標籤錯誤。在臨床情境中，其建議與藥師相當，特別是在藥物反應評估和健康建議方面。研究指出，ChatGPT可能成為社區藥局的有用工具，但仍需進一步驗證其在不同查詢和病人群體中的有效性及隱私問題。 PubMed DOI

這項研究探討了GPT-4在評估藥物對肝臟、心臟和腎臟健康的毒性時的可靠性，並將其結果與FDA藥物標籤的專家評估進行比較。研究使用了兩種提示方式：一般提示和專家提示。結果顯示，專家提示的準確率（64-75%）高於一般提示（48-72%），但兩者的表現都只是中等。這提醒我們在公共健康應用中使用GPT-4時需謹慎，並建議採用檢索增強生成（RAG）等先進框架來提升其可靠性。 PubMed DOI

人工智慧（AI）透過深度學習技術，特別是卷積神經網絡（CNNs），已在各領域帶來重大變革。自1990年代Yann LeCun提出以來，CNNs被廣泛應用於醫療診斷、自動駕駛、金融預測及圖像識別等。分析化學方面，深度學習提升了質譜、核磁共振等數據分析的效果。隨著大型語言模型（LLMs）如ChatGPT的興起，自然語言處理也獲得了新動力。本文探討如何利用智能手機和LLM進行激光誘導擊穿光譜（LIBS）數據的互動式分析，顯示LLMs在未來分析化學中的重要性。 PubMed DOI

這段文字探討大型語言模型（LLMs）如ChatGPT在生物資訊學，特別是基因組學中的限制，提到資料檢索不佳、幻覺及序列操作錯誤等問題。為了解決這些挑戰，作者提出NagGPT作為LLMs與資料庫的橋樑，幫助精煉查詢並提高資訊準確性。此外，還介紹了Genomics Fetcher-Analyzer，這個自訂GPT能讓ChatGPT生成並執行Python程式碼，進行生物資訊學任務，並使用各種基因組資料庫的資料。整體目的是增強ChatGPT在生物資訊學的功能，提升事實準確性和遵循指示的能力。 PubMed DOI

這項研究探討大型語言模型（LLMs），如GPT-3.5、GPT-4.0和Claude-opus，在化學與疾病關係提取中的挑戰，特別是標註數據不足的情況。研究發現，這些模型在精確提取上達87%的F1分數，但全面提取僅73%。模型在提示工程上的改進有限，且對正向關係的識別較佳。提取錯誤多因模型誤解生物醫學文本的隱含意義。最後，研究提供了增強提取任務的工作流程，並強調優化訓練數據的重要性。 PubMed DOI

大型語言模型像GPT正在改變化學研究，但因化學資料有限，常出現錯誤。透過精心設計提問（prompt engineering），能減少這些錯誤並提升推理能力。雖然這方法在化學領域還不普及，但已有像電池和自動化實驗室的應用案例。總結來說，結合這兩者能讓化學研究更精確可靠。 PubMed DOI

這篇研究比較了 GPT-3.5、GPT-4 和 Google Gemini 等大型語言模型在生物醫學文本中擷取蛋白質-蛋白質交互作用的能力。結果顯示，Gemini 1.5 Pro 表現最好，F1 分數最高達 90.3%。雖然還不如專業模型，但只要設計好提示詞，這些工具對生物醫學研究人員來說就很容易上手。 PubMed DOI

這項研究發現，只要經過細心設計和調整，大型語言模型（LLMs）在回答保育問題時，表現可媲美人類專家。但如果直接用沒客製化的 LLMs，結果可能很差，甚至會產生誤導資訊。總結來說，LLMs 有潛力幫助專家更有效利用保育證據，但一定要針對專業領域優化才行。 PubMed DOI

這篇研究發現，像 ChatGPT 這類大型語言模型在產生疾病、藥物和基因相關知識時，準確率很高，但在症狀相關詞彙上表現較差，主要因為症狀描述較口語化。此外，模型產生的 ID 常有錯誤或重複。整體來說，LLMs 若小心使用，對生醫領域還是有幫助，未來可透過 RAG 等方法提升可靠性。 PubMed DOI