在生物醫學領域，分析藥物相互作用對藥物發現至關重要。目前使用的人工智慧工具受限於編碼生物醫學功能和概念。LEDAP利用大型語言模型如ChatGPT，展現了預測藥物相關關聯的潛力。這些模型對自然語言有全面理解，在藥物開發分析中具潛力。LEDAP結合傳統機器學習方法，表現競爭性。這研究凸顯大型語言模型在藥物開發的重要潛力，為該領域帶來更多發展機會。 PubMed DOI

開發新分子以推進藥物發現非常重要，因為這能省去探索目標基因的初步步驟。傳統方法常依賴現有數據篩選分子，但因數據集有限，可能受到限制。為了解決這些問題，我們推出了GexMolGen，這是一種根據基因表達特徵生成類似命中分子的全新方法。它透過「先對齊再生成」的策略，將基因表達特徵與分子表示對齊，並確保生成的分子結構有效。實證結果顯示，GexMolGen能生成與已知物質相似的分子，為藥物發現提供了新途徑。 PubMed DOI

隨著生物醫學文獻的快速增長，使用大型語言模型（LLMs）來理解精準醫療變得越來越重要。然而，現有方法在提取複雜生物關係時面臨可靠性和可擴展性等挑戰。為了解決這些問題，我們提出了LORE，一種創新的無監督兩階段閱讀方法，將文獻視為可驗證的知識圖譜，並以語義嵌入表示。應用於PubMed摘要時，LORE能有效捕捉基因致病性信息，並在識別疾病相關基因方面達到90%的精確度，為研究人員提供了新的潛在治療靶點識別途徑。 PubMed DOI

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

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

**重點摘要：** 這項研究介紹了一個名為 GeneRxGPT 的工具，它結合了大型語言模型（LLMs）和最新的生醫文獻，讓癌症研究人員可以更輕鬆地發現藥物與基因之間的關係、找出新的治療標的、藥物再利用，以及更深入了解複雜的分子交互作用——而且不需要具備進階的電腦運算技能。 PubMed DOI

這篇論文提出 BAITSAO 統一模型，利用大型語言模型產生的嵌入來表示藥物和細胞株，並用多任務學習預訓練。BAITSAO 在藥物協同作用預測上表現優於現有方法，未來在藥物開發和基因交互分析等應用也很有潛力。 PubMed DOI

這篇研究提出GICL框架，把藥物SMILES字串的大型語言模型嵌入和分子影像結合，利用跨模態對比學習整合資訊。這種融合方式讓GICL在藥物性質預測（ADMET）上表現領先，還能提供可解釋的分析，有助於提升藥物開發效率。 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

DrugReX 是一套結合知識圖譜、機器學習和大型語言模型的新系統，能更有效率地找出藥物再利用的潛力。實際應用在阿茲海默症時，不只找出新藥物候選，還能提供有文獻佐證的解釋，專家也認為這比單靠 LLMs 更可靠，有助提升藥物再利用的透明度和可信度。 PubMed DOI