本研究探討果凍捲（JR）摺疊在病毒衣殼中的特徵，利用六種大型語言模型（LLMs）嵌入的邏輯回歸模型，成功達到超過95%的準確率，能區分JR序列與非JR序列。數據集涵蓋單一JR病毒、非JR病毒及結構相似的免疫球蛋白樣β-三明治蛋白。研究顯示，模型表現受數據質量影響大於LLM選擇。Bert-U100模型能有效識別JR特徵，並預測未分類病毒序列中的JR摺疊，顯示從序列數據預測JR摺疊的可行性。 PubMed DOI

公共衛生干預措施如疫苗接種和社交距離的成效，依賴於公眾的支持與遵守。社交媒體成為評估公眾參與的重要工具，但在緊急情況下，缺乏即時監測可能導致反應延遲。為此，我們開發了PH-LLM（公共衛生大型語言模型），專注於即時公共衛生監測，並建立了多語言數據集。PH-LLM在多項任務中表現優於其他模型，顯示其在公共衛生資訊監測上的潛力，能有效增強政策制定與危機應對。此研究部分由NIH贈款支持。 PubMed DOI

這篇研究用MAMMAL AI模型，僅靠序列資料就能準確預測抗體和流感HA抗原的結合及阻斷效果。模型對已知抗體和抗原表現優異（AUROC ≥ 0.91），對新抗原也不錯（AUROC 0.9），但遇到全新抗體時準確度會下降。這顯示AI有助於抗體篩選，但還需要更多元的抗體資料來提升預測新抗體的能力。 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

大型語言模型對澳洲傳染病管理很有幫助，能處理複雜資訊，但要安全有效，需有明確的實證、法規和指引。像檢索增強生成這類AI技術，還能進一步降低風險、提升效益。 PubMed DOI

PandemicLLM 是新一代疫情預測框架，把疾病傳播預測當成文字推理問題來解決。它結合即時多元資料（如防疫政策、基因監測、時序數據），透過 AI 與人類協作提示提升預測準確度。實測美國各州 COVID-19 資料，表現優於現有模型，能整合複雜非數值資訊，讓疫情預測更精準。 PubMed DOI

這篇綜述介紹深度學習（如LSTM、CNN、GANs、transformers和大型語言模型）在流感病毒預測和治療上的應用。因應病毒快速變異，深度學習能分析大量複雜資料，提升預測、治療和疫苗開發效率。文章強調AI優於傳統方法，並展望未來在個人化醫療和公衛管理上的發展。 PubMed DOI

這篇論文探討用AI，特別是大型語言模型，來自動化整理動物傳染病環境風險因子的文獻回顧。研究比較不同AI方法，目的是提升找出相關風險因子的效率和準確度，解決病原體快速變異、文獻需常更新的問題。 PubMed DOI

蛋白質-蛋白質交互作用（PPIs）對生物研究和新藥開發很關鍵。現在大型語言模型（LLMs）已能從蛋白質序列分析PPIs，處理大規模資料也沒問題。不過，還有像運算量大、資料不平衡和多種資料整合等挑戰。未來會持續優化，讓LLMs在生物領域發揮更大作用。 PubMed DOI

這項研究發現，像 GPT-4 這類大型語言模型，能準確從社群貼文判斷結膜炎疫情的類型、規模和原因，表現有時甚至比人類專家還好。雖然敏感度還有進步空間，但 LLM 未來有機會協助自動化公共衛生監測，幫助及早發現疫情並提醒相關單位。 PubMed DOI