AMPs是短肽，可對抗微生物藥物的抗藥性。開發受到對人體細胞的毒性影響，難以控制。GPT-3已用於預測AMP活性和毒性，但簡單模型如RNN和SVM表現更佳。建議目前使用簡單模型，但需重新評估大型語言模型的潛力。 PubMed DOI

II類微菌素是一種有潛力的新型抗生素，但目前識別的數量有限。本研究探討利用蛋白質大型語言模型的數值嵌入來檢測細菌基因組中的微菌素，並與傳統的序列比對方法（如BLAST）進行比較。結果顯示，嵌入法在識別已知II類微菌素上更有效，還能發現一些傳統方法忽略的新型微菌素。隨著抗生素抗藥性問題日益嚴重，發現新的抗菌肽至關重要，這項研究為對抗細菌感染提供了新策略。 PubMed DOI

這項研究探討了使用GPT-4和自訂GPT代理來預先分類碟擴散結果，以識別革蘭氏陰性菌中的β-內酰胺酶產生。研究分析了225個分離株，並將其分類為不同抗藥機制。結果顯示，微生物學家的診斷準確率高達94.4%，而自訂GPT代理的符合率為81.9%，且未經自訂的GPT-4表現不佳，僅19.6%準確。這顯示AI在抗微生物抗藥性診斷中有潛力，但仍需人類專業知識以確保準確性和效率。 PubMed DOI

抗微生物抗藥性（AMR）是全球健康與經濟的一大威脅，促使各國制定行動計畫（NAPs）應對。然而，低中收入國家面臨物流、資金及資訊獲取等挑戰，影響政策執行。為了解決這些問題，建立了一個多語言資料庫，匯集146國的政策指導，並開發了AMR-Policy GPT模型，能從中檢索和總結資訊，確保準確性。這個原型未來將增強基於證據的AMR政策指導，並可在 www.liuhuibot.com/amrpolicy 訪問。 PubMed DOI

抗微生物抗藥性是全球健康的重要議題，亟需創新策略來改善抗生素管理。AI 聊天機器人，特別是大型語言模型，能協助臨床醫師優化抗生素治療。本研究回顧了過去五年相關文獻，發現AI 聊天機器人能提供抗生素建議、增強醫學教育及改善臨床決策，但仍面臨臨床細節管理不一致、算法偏見及數據隱私等挑戰。未來需進行嚴格的臨床試驗及跨學科合作，以確保其安全有效地應用於臨床。 PubMed DOI

大型語言模型（LLMs）在生物學和化學等複雜領域中影響深遠，特別是在分子設計和優化方面。本篇綜述專注於LLMs在抗生素發現與設計中的應用，特別是肽類分子。我們將探討LLMs在藥物設計的最新進展，以及在抗生素開發中應用這些模型所面臨的挑戰。 PubMed DOI

將大型語言模型（LLMs）整合進抗生素處方的醫療決策中，逐漸受到重視，但面臨挑戰。首先，LLMs在臨床環境中的應用需更深入的醫療理解，因為它們的建議直接影響病患健康。其次，專業知識悖論顯示醫療人員可能過度依賴AI，影響臨床判斷。因此，AI應該輔助而非取代人類決策。最後，LLMs的錯誤風險需謹慎對待，必須建立健全的驗證流程，確保其作為輔助工具的角色。 PubMed DOI

AMP-Designer 是一種創新的方法，利用大型語言模型設計抗微生物肽 (AMPs)。在短短 11 天內，成功設計出 18 種對革蘭氏陰性菌有效的 AMP，體外測試成功率高達 94.4%。其中兩個候選者展現出強大的抗菌活性、低血毒性及在人體血漿中的穩定性，並在小鼠肺部感染研究中顯著減少細菌負荷。整個過程從設計到驗證僅需 48 天，特別適合針對特定細菌株，顯示出對抗抗生素抗藥性的潛力。 PubMed DOI

抗微生物肽（AMPs）因其強大的抗微生物能力，正成為對抗抗生素抗藥性的新解決方案。傳統的AMP識別方法耗時且需大量人力，但隨著深度學習的進步，特別是蛋白質語言模型（PLMs），我們開發了PLAPD框架，利用預訓練的ESM2模型進行AMP分類。經過評估，PLAPD在準確率、精確率、特異性等指標上表現優異，顯示其作為高效AMP發現工具的潛力。 PubMed DOI

這項研究用NLP技術自動抓取SARS-CoV-2相關論文中的病患元資料。團隊用BERT模型訓練分類器，並比較生成式AI（Llama-3-70B）的表現。結果顯示，針對生醫或COVID-19文本預訓練的BERT模型效果最好，F1-score達0.776，明顯優於生成式AI（F1-score僅0.558）。這方法已應用於35萬多篇文章，有助於基因流行病學研究。 PubMed DOI