這篇論文深入分析了AI在藥物開發中的進展，特別是針對小分子、RNA和抗體的應用。它探討了AI如何融入藥物開發流程，並回顧了目前臨床試驗中的藥物。論文指出，至今尚無AI設計的藥物獲得監管機構批准，並建議利用大型語言模型和擴散模型來克服這一挑戰。總體而言，論文強調了AI在藥物發現中的潛力，同時也討論了這個快速發展領域的挑戰與未來機會。 PubMed DOI

最近，人工智慧（AI）和深度學習（DL）在醫療保健領域的進展非常顯著，尤其是大型語言模型（LLMs）的應用。這些模型改善了研究人員與AI系統的溝通，特別是在藥物開發上。回顧中強調了LLM在製藥領域的創新，並探討了其技術和倫理挑戰。預期未來LLM將在創新藥物的開發中扮演更重要的角色，助力突破性製藥的進展。 PubMed DOI

藥物開發傳統上是一個繁瑣且耗時的過程，主要依賴專業知識和反覆試驗。不過，隨著人工智慧（AI）特別是大型語言模型和生成式AI的興起，這個領域正迎來變革。AI技術提升了藥物開發各階段的效率，包括疾病靶點識別、藥物發現、臨床前及臨床研究，甚至上市後的監測。這篇文章探討了AI在藥物開發中的最新應用，並分析了目前仍面臨的挑戰，指出未來研究的潛力。 PubMed DOI

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

這份報告探討了X-LoRA-Gemma大型語言模型（LLM）的應用，這是一個擁有70億參數的多代理生成式人工智慧框架，專注於分子設計。模型結合人類與AI的合作，透過雙重推理策略來優化分子互動，並使用主成分分析等技術識別目標性質。生成的候選分子顯示出預期的特性，報告預測這些AI技術將在分子工程中越來越普遍，並提供創新解決方案，同時也討論了相關的挑戰與機會。 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

近年AI和NLP技術大幅提升生命科學領域的文本分析效率，像NER、知識圖譜和大型語言模型各有優缺點，適合不同生物資料。選擇技術時要依應用需求調整。隨著科學文獻暴增，研究人員面臨更多機會與挑戰。 PubMed DOI

這篇文章用簡單易懂的方式，介紹生成式AI在醫療上的應用，像是合成資料、臨床紀錄和診斷輔助等。雖然這些技術很有潛力，但目前還有知識落差、虛構內容、偏見、透明度不足和法規倫理等問題。作者強調，生成式AI不會取代醫師，但醫療人員了解這些工具很重要。 PubMed DOI

生成式AI正加速新藥開發、蛋白質與基因研究，也推動個人化醫療和農業創新，像是培育更優良作物。它還促進合成生物學和永續發展。不過，資料隱私和公平性等倫理問題也要一起重視，才能確保負責任的應用。 PubMed DOI

AI 和機器學習正大幅改變定量系統藥理學（QSP），像自動化資料擷取、混合模型和大型語言模型等新工具，讓 QSP 建模更簡單、協作性更高，有助加速和個人化藥物開發。不過，驗證、倫理、法規和整合複雜生物資料等挑戰仍待克服。整體來說，AI/ML 將徹底革新 QSP，推動治療創新。 PubMed DOI