植物基因組學有重大進展，透過高通量方法研究多種基因組範圍的分子表現型。這有助於深入了解植物特徵和遺傳機制，尤其是在模式植物物種中。為了提升作物基因組學，準確預測至關重要。AgroNT是一個大型語言模型，經過48種植物物種基因組的訓練，專注於作物物種，能進行最先進的基因組特徵預測。一項針對木薯突變的研究顯示AgroNT評估調控影響的能力。編製的數據集可作為植物基因組學中深度學習方法的參考。預先訓練的AgroNT模型可在HuggingFace上進行進一步研究。 PubMed DOI

深度學習，特別是大型語言模型（LLMs），在植物生物學中展現出很大的潛力，能為植物細胞系統提供新見解。蛋白質語言模型（PLMs）提升了我們分析核酸和蛋白質序列的能力，揭示生物數據中的複雜模式和關係。這不僅有助於識別序列模式和結構-功能關係，還能促進農業基因改良。透過整合深度學習，我們在植物性狀的基礎研究上能取得顯著進展。因此，戰略性地應用這些方法對推進植物科學和可持續農業至關重要。 PubMed DOI

基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 PubMed DOI

基因功能的研究仍是植物科學的重要目標，但在模式生物阿拉伯芥中，只有約15%的基因功能經過實驗驗證。雖然生物資訊工具能幫助預測基因功能，但近年來有效性和實驗性基因數量並未顯著增加。這篇綜述將探討基因功能研究的現狀與未來方向，並強調預測技術的最新進展。此外，還會討論人工智慧的發展，特別是大型語言模型和知識圖譜，如何提升基因功能預測，幫助研究人員隨時掌握最新科學文獻。 PubMed DOI

早期基因組研究奠定了植物基因和生物過程的基礎。如今，隨著高解析度基因組學的進步，研究人員能夠精確分析生物系統，甚至到單細胞層級。結合人工智慧進行計算設計，促進了合成植物的發展。科學家們透過還原主義和系統生物學的方法，重新定義植物的角色，不再僅視其為食物、纖維和燃料的來源，而是看作能幫助應對氣候變遷的「環境恆溫器」。 PubMed DOI

這篇論文探討大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在數據提取和呈現的有效性，並與人類策展人比較。研究聚焦於小麥和大麥的遺傳特徵，使用36篇期刊文章的資料供GrainGenes數據庫使用。主要發現包括：GPT-4在分類手稿準確率達97%，有效提取80%特徵，並顯示人類與AI合作的潛力。儘管LLMs有其限制，但在生物數據提取上仍能提供顯著幫助，使用者需謹慎對待不準確性。 PubMed DOI

這項研究發現，GPT-4在整理小麥和大麥相關科學論文的遺傳資料時，準確率高達97%，擷取性狀和標記-性狀關聯的表現也比GPT-3.5好，錯誤率更低。GPT-4有時甚至能達到人類專家的96%水準。雖然還有改進空間，但未來在協助整理科學資料上很有潛力。 PubMed DOI

這項研究發現，GPT-4在從小麥和大麥論文中擷取遺傳性狀資料的表現相當優異，論文分類準確率高達97%，性狀擷取率有80%，標記-性狀關聯擷取率則為61%，錯誤率也比GPT-3.5低。雖然還有進步空間，但GPT-4已展現輔助生物資料庫整理的潛力。不過，使用時仍需留意資料可能不夠完整或正確。 PubMed DOI

大型語言模型（LLMs）在自然語言處理很強，但在植物育種的應用還有很大發展空間。這篇綜述說明LLMs能協助分析複雜生物資料、預測重要性狀，並整合基因體和環境等多元資料，有助於提升基因發現和決策效率。文章也討論目前進展、挑戰及未來展望，期望推動永續農業與糧食安全。 PubMed DOI

這篇文章整理了最新AI技術，像是深度學習、大型語言模型和多模態模型，如何徹底改變植物疾病偵測和抗病性預測。內容涵蓋AI在疾病辨識、組學資料分析和性狀選拔的進展，也討論多元資料整合的應用。文中同時指出資料、模型和隱私等挑戰，並提出未來可結合大型語言模型與聯邦學習。整體來說，這是加速抗病作物育種的實用參考。 PubMed DOI