Can large language models understand molecules?
大型語言模型能理解分子嗎？ BMC Bioinformatics 2024-06-26

LLMs如GPT和LLaMA在化學領域有潛力，尤其在用SMILES表示化學結構。研究比較後發現，LLaMA在分子性質和藥物相互作用預測上比GPT表現更好。LLaMA的SMILES嵌入在分子預測與預訓練模型相當，藥物相互作用預測更佳。這研究強調LLMs在分子嵌入有潛力，值得進一步探索。詳情請看GitHub：https://github.com/sshaghayeghs/LLaMA-VS-GPT。 PubMed DOI

Empowering Graph Neural Network-Based Computational Drug Repositioning with Large Language Model-Inferred Knowledge Representation.
基於圖神經網絡的計算藥物重定位與大型語言模型推斷知識表示的賦能。 Interdiscip Sci 2024-09-26

這項研究探討如何利用大型語言模型（LLMs）來提升計算藥物重定位的能力，特別是預測藥物與疾病的關聯。傳統方法常受限於不完整的數據，而LLMs能提供豐富的生物醫學知識。研究人員開發了零樣本提示模板，並提出三種模型架構，結果顯示LLM-DDA<sub>GNN-AE</sub>在多項指標上表現優於其他模型。案例研究也證實了該模型在識別可靠藥物與疾病關聯方面的能力，顯示LLMs在藥物重定位及其他生物醫學任務中的潛力。 PubMed DOI

Discovering Photoswitchable Molecules for Drug Delivery with Large Language Models and Chemist Instruction Training.
利用大型語言模型和化學家指導訓練發現可光開關的藥物傳遞分子。 Pharmaceuticals (Basel) 2024-10-26

大型語言模型（LLMs）在藥物傳遞材料設計中展現潛力。我們使用Hugging Face的Transformers套件，透過BigBird、Gemma和GPT NeoX等架構進行預訓練和微調，並結合化學家的指導進行優化。研究結果顯示，整合化學見解對於提升模型性能至關重要。我們設計了光響應藥物傳遞分子，並探討了人類反饋在強化學習中的角色。最終，我們建立了一個高效的設計流程，但缺乏專門數據集仍是挑戰。 PubMed DOI

GexMolGen: cross-modal generation of hit-like molecules via large language model encoding of gene expression signatures.
GexMolGen：通過大型語言模型編碼基因表達特徵的跨模態生成類藥物分子。 Brief Bioinform 2024-10-29

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

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

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

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

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

原始文章

站上相關主題文章列表