「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

這份報告探討了X-LoRA-Gemma大型語言模型（LLM）的應用，這是一個擁有70億參數的多代理生成式人工智慧框架，專注於分子設計。模型結合人類與AI的合作，透過雙重推理策略來優化分子互動，並使用主成分分析等技術識別目標性質。生成的候選分子顯示出預期的特性，報告預測這些AI技術將在分子工程中越來越普遍，並提供創新解決方案，同時也討論了相關的挑戰與機會。 PubMed DOI

傳統奈米酶合成又慢又複雜，資料庫也不完整，限制研究進展。AI-ZYMES資料庫收錄超過千筆資料和400種奈米酶，資料標準化，方便比較。它有雙AI模型，能精準預測催化和活性，還有ChatGPT助理協助文獻整理和合成路徑設計。這些功能大幅提升資料品質和預測力，加速奈米酶研究發展。 PubMed DOI

這項研究用大型語言模型和提示工程，自動從論文中擷取奈米毒性資料，準確度很高（F1 分數最高87.6%）。擷取的資料再用來訓練機器學習模型，預測奈米毒性時F1分數也超過86%。這方法有效減少人工整理資料的負擔，還能提升資料品質，對奈米毒性研究很有幫助。 PubMed DOI

生物合成因為環保又精準，越來越受重視。AI的加入大幅加快了生物合成的設計和優化，尤其在合成路徑規劃和酵素工程上很有幫助。即使資料有限，大型語言模型也展現潛力。不過，AI應用還有不少挑戰，未來在藥物、綠色化學等領域會更普及，但還需要持續研究突破。 PubMed DOI

胜肽能自組裝成多功能材料，應用於生醫和奈米科技，但因序列多樣、實驗變異大，設計上很困難。機器學習有助於發現新型自組裝胜肽，但需高品質資料、專業知識，且要納入失敗案例。結合先進AI和可解釋分析，可加速胜肽奈米材料的研發。 PubMed DOI

這篇論文提出用大型語言模型自動產生高品質科學文獻綜述的方法，不只品質媲美人工，還能跨領域應用，使用者不用專業背景也能操作。系統有嚴格控管，產生錯誤資訊的機率極低（低於0.5%）。在催化劑研究領域測試時，能全面且可靠地整理資料。釋出的軟體讓大家一鍵就能產生綜述，大幅提升研究效率。 PubMed DOI

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

生物醫學研究常因流程繁瑣又重複，進展緩慢。Stanford 團隊推出 AI 助理 Biomni，能自動執行各種生醫研究任務，整合論文中的工具和資料庫，結合大型語言模型與程式碼執行，動態規劃複雜任務。測試證明 Biomni 泛用性高，無需特別調整就能處理多種生醫問題，幫助科學家加速研究。可至 https://biomni.stanford.edu 體驗。 PubMed DOI

生成式AI正加速新藥開發、蛋白質與基因研究，也推動個人化醫療和農業創新，像是培育更優良作物。它還促進合成生物學和永續發展。不過，資料隱私和公平性等倫理問題也要一起重視，才能確保負責任的應用。 PubMed DOI