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

Folding-Based End-To-End Chemical Drug Design with Uncertainty Estimation: Tackling Hallucination in the Post-GPT Era.
基於摺疊的端到端化學藥物設計與不確定性估計：應對後GPT時代的幻覺問題。 J Med Chem 2025-03-08

Llama-Gram是一個創新的AI框架，專為化學藥物發現設計，旨在克服傳統大型語言模型的限制，特別是避免不準確的輸出。它結合蛋白質摺疊嵌入和圖形分子表示，提升對蛋白質-配體相互作用的理解，對藥物開發至關重要。透過ESMFold模型和專用的圖形變壓器，Llama-Gram運用先進技術來提高預測準確性，並在化合物-靶標相互作用的預測上顯示出優勢，可能顯著加速藥物發現的進程。 PubMed DOI

Enhancing Herbal Medicine-Drug Interaction Prediction Using Large Language Models.
利用大型語言模型增強草藥與藥物相互作用預測。 IEEE J Biomed Health Inform 2025-04-07

這項研究專注於提升藥物與草藥互動的預測，對優化治療策略和個人化醫療非常重要。研究運用深度學習技術，特別是大型語言模型（LLMs），來解決數據質量低和分佈不均的問題。模型透過藥物的SMILES提取特徵，並對草藥進行一熱編碼，使用變分圖自編碼器（VGAEs）分析草藥與藥物的互動圖。這種方法提高了模型的可解釋性，並解決了高階節點的問題。實驗結果顯示其在中醫、藥物開發和精準醫療中的潛力，相關代碼和數據已在GitHub上公開。 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

Chemical Language Model Linker: blending text and molecules with modular adapters.
化學語言模型連結器：以模組化轉接器融合文本與分子 ArXiv 2025-05-05

作者提出 ChemLML 這個輕量級方法，把現有的文字和分子模型結合起來，能直接從文字描述產生新分子，不用從零訓練模型，省下不少算力。分子表示法選擇很重要，SMILES 通常比 SELFIES 表現更好。作者也討論資料集問題，並證明 ChemLML 在藥物分子生成和評估上很有成效。 PubMed

Effective and Explainable Molecular Property Prediction by Chain-of-Thought Enabled Large Language Models and Multi-Modal Molecular Information Fusion.
由Chain-of-Thought強化大型語言模型與多模態分子資訊融合實現有效且可解釋的分子性質預測 J Chem Inf Model 2025-05-20

這篇論文提出LLM-MPP新方法，結合大型語言模型和多種分子資料（像SMILES、分子圖和文字描述），用於新藥開發。透過chain-of-thought推理、cross-attention和對比學習，有效整合多模態資訊，提升預測準確度和可解釋性。實驗結果顯示，LLM-MPP在九個資料集上表現都比現有方法更好，突破了多模態整合和可解釋性的瓶頸。 PubMed DOI

XMolCap: Advancing Molecular Captioning through Multimodal Fusion and Explainable Graph Neural Networks.
XMolCap：透過多模態融合與可解釋圖神經網路推進分子描述技術 IEEE J Biomed Health Inform 2025-05-23

XMolCap 是一套全新分子描述系統，結合分子影像、SMILES 字串和圖結構，透過多模態融合技術，能產生可解釋又精確的分子描述。它基於 BioT5 架構，並用 SwinOCSR、SciBERT、GIN-MoMu 等模型萃取特徵，表現優於現有方法，對新藥開發很有幫助。程式碼已開源，有興趣可到 GitHub 查看。 PubMed DOI

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