研究探討了大型語言模型如GPT-4 with vision和GPT-4 Turbo在解讀生物醫學圖表上的表現。模型在分類和標註圖像方面表現良好，但在節點關係上有挑戰。圖表比標題更準確，但有時缺少細節。研究顯示語言模型在理解生物機制上有潛力，並提出改善生物醫學信息中關係呈現的方法。 PubMed DOI

Cell2Sentence (C2S) 是一種新方法，旨在將大型語言模型應用於單細胞轉錄組學。它透過將基因表達數據轉換為「細胞句子」，在自然語言處理與生物數據之間架起橋樑。C2S 允許對語言模型進行微調，以執行多種生物學任務，如生成和註解細胞類型。實驗顯示，微調後的 GPT-2 能生成生物學上有效的細胞類型，顯示出語言模型對單細胞生物學的深入理解。C2S 提供了一個多功能且友好的框架，結合自然語言處理與轉錄組學，適用於各種生物學應用。 PubMed DOI

空間轉錄組學是理解組織細胞組成的重要工具，尤其在癌症研究中，腫瘤微環境至關重要。然而，數據的複雜性使解釋變得困難。本研究探討大型語言模型（LLMs）在分析小鼠黑色素瘤模型的空間轉錄組數據的應用。研究發現Claude 3.5 Sonnet在斑點量化和模式識別上表現最佳，並開發出系統化工作流程，幫助分析腫瘤免疫景觀。該模型揭示了免疫抑制機制，並顯示LLMs在空間轉錄組學中的潛力，能有效提升數據解釋的能力。 PubMed DOI

在單細胞轉錄組學中，細胞類型註解不一致會影響數據整合與機器學習。為了解決這個問題，我們開發了統一的層級註解框架（uHAF），包含器官特定的層級細胞類型樹（uHAF-T）和大型語言模型驅動的映射工具（uHAF-Agent）。uHAF-T 提供38個器官的標準化參考，促進一致的標籤統一。uHAF-Agent 利用 GPT-4 將多樣的細胞標籤映射到 uHAF-T，簡化協調過程。這個框架增強了數據整合，支持機器學習，並促進單細胞研究的合作。uHAF 可在 https://uhaf.unifiedcellatlas.org 和 https://github.com/SuperBianC/uhaf 獲得，補充數據也可在 Bioinformatics 在線查詢。 PubMed DOI

AI大型語言模型正改變癌症研究，能協助資料擷取、分析、病患配對及多元資料整合，讓流程更有效率、決策更快速。不過，資料隱私、準確性、成本和法規等問題，還是需要特別注意。 PubMed DOI

這篇文章說明大型語言模型（LLMs）能準確從臨床文本抓取數值資料，像是檢驗數據和生命徵象。作者提出新提示策略和方法，能有效降低錯誤，並在標註病歷上驗證成果，也證明這方法適用於大量器官捐贈者資料分析，有助提升器官採集資料的研究可用性。 PubMed

最新的商業大型語言模型（像GPT-4o），在神經影像的中繼資料標註上，表現幾乎跟專業人員一樣好（zero-shot下得分0.91–0.97），錯誤率也差不多，很多分歧其實不是錯誤。這代表LLM很適合大規模自動標註。作者也建議大家建立並分享標註基準資料集，方便未來測試。 PubMed DOI

我們提出一種新方法，結合NCBI Gene的基因描述和大型語言模型，將單細胞RNA定序資料轉換成有意義的向量。做法是先找出每個細胞表現量最高的基因，擷取基因註解，再用語言模型轉成向量，並依表現量加權。這樣不只提升解釋性，也讓細胞分群和分析更精準。 PubMed

這項研究開發了新型機器學習和深度學習模型，能預測15種人類細胞株中，哪些長鏈非編碼RNA在細胞質比細胞核更豐富。傳統機器學習模型表現比大型語言模型更好，AUC分數約0.71。研究團隊也提供了細胞株專屬的預測工具和網頁伺服器，方便研究人員使用。 PubMed DOI

這篇研究用微調過的GPT大型語言模型，來自動把生物樣本標籤對應到本體論術語，減少人工註解負擔。實驗結果顯示，GPT模型在細胞株和細胞類型的召回率高達88–97%，但精確度只有47–64%。雖然能提升註解效率，但精確度還有進步空間，專家審查仍不可少。 PubMed DOI