PharmaBench: Enhancing ADMET benchmarks with large language models.
PharmaBench：利用大型語言模型增強 ADMET 基準。 Sci Data 2024-09-10

準確預測ADMET（吸收、分佈、代謝、排泄和毒性）特性對藥物開發非常重要，能幫助選擇具良好藥物動力學及降低毒性的化合物。目前的ADMET數據集因樣本數量少及代表性不足而受限。為了解決這些問題，我們提出了一個多代理數據挖掘系統，利用大型語言模型識別14,401個生物測試的實驗條件，並整合不同來源的數據，最終創建了PharmaBench，包含156,618條原始條目，旨在支持藥物發現相關的AI模型開發。 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

Building A Unified Model for Drug Synergy Analysis Powered by Large Language Models.
由大型語言模型驅動的藥物協同作用分析統一模型的建立 bioRxiv 2025-04-16

作者提出 BAITSAO 統一模型，運用大型語言模型產生的嵌入技術，提升癌症藥物協同作用的預測準確度。該模型經多任務學習訓練，表現優於現有方法，還能協助新藥發現、藥物與基因互動分析及多重藥物協同效果預測。 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

When East Meets West: Cross-domain Drug Interaction Annotations with Large Language Models and Bidirectional Neural Networks.
當東方遇見西方：結合大型語言模型與雙向神經網路的跨領域藥物交互作用註釋 IEEE J Biomed Health Inform 2025-04-22

TEmbed-DDI 是一種新方法，利用大型語言模型的嵌入技術，結合醫療情境資訊，提升藥物交互作用（DDI）註釋的準確度。它不只看分子結構，還用有意義的文本特徵，讓藥物表示更完整。這方法在西藥和中藥的測試都表現優異，也是首次把中藥納入 DDI 註釋，未來在醫學研究和新藥開發很有潛力。 PubMed DOI

DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction.
DrugAgent：基於多智能體大型語言模型推理的藥物-靶點交互作用預測 ArXiv 2025-04-29

DrugAgent 是專為藥物-靶點交互預測設計的多代理大型語言模型系統，結合機器學習、知識圖譜和文獻證據，並強調推理透明度。其 F1 分數比傳統方法高 45%，且能清楚說明每次預測的推理過程，提升生醫應用的可信度。程式碼已公開。 PubMed

Large language models for Alzheimer's disease drug discovery.
用於阿茲海默症新藥開發的大型語言模型 J Alzheimers Dis 2025-06-02

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 PubMed DOI

LLM-DDI: Leveraging Large Language Models for Drug-Drug Interaction Prediction on Biomedical Knowledge Graph.
LLM-DDI：運用大型語言模型於生物醫學知識圖譜進行藥物間交互作用（Drug-Drug Interaction）預測 IEEE J Biomed Health Inform 2025-07-02

這篇論文提出 LLM-DDI 模型，結合 GPT 產生的分子嵌入和圖神經網路，利用生醫知識圖譜的語意關係來預測藥物交互作用。實驗證明，LLM-DDI 在真實資料上表現比現有方法更好，對藥物開發和臨床應用很有幫助。 PubMed DOI

原始文章

站上相關主題文章列表