致癌物的識別與分類對癌症流行病學非常重要，但現有系統如IARC和NTP面臨文獻增長的挑戰。為此，我們開發了CarD-T框架，利用變壓器技術有效識別潛在致癌物。CarD-T在已知致癌物的PubMed摘要上進行訓練，並成功識別了60%的已確立致癌物，還提名了約1500個潛在致癌物。與GPT-4相比，CarD-T在召回率和F1分數上表現更佳，並能評估致癌性矛盾證據。總之，CarD-T是識別致癌物的強大工具，提升公共健康應對能力。 PubMed DOI

藥物抗性在癌症治療中是一大挑戰，尤其是化療和靶向治療的反應率不高。為了解決這個問題，研究團隊開發了名為DrugFormer的新模型，這是一個圖增強的大型語言模型，能預測單細胞層級的藥物抗性。DrugFormer在大量單細胞數據上訓練，表現優異，特別是在難治性多發性骨髓瘤和急性髓性白血病的數據分析中，成功識別抗藥性細胞並揭示其分子機制。這項技術有助於個性化治療策略的發展。 PubMed DOI

這項研究探討了結合MegaMolBART編碼器與XGBoost分類器的模型，成功預測化合物的血腦屏障（BBB）通透性。研究使用4956種BBB+和2851種BBB-的數據集，並分析了2461種BBB+和2184種BBB-化合物。發現temozolomide及21種化合物的通透性係數超過10 × 10^-7 cm/s，顯示其顯著通透性。此外，研究還評估了化合物的ADME特性及其對腦內皮細胞的細胞毒性影響，強調AI在藥物發現中的潛力。 PubMed DOI

這項研究探討生成大型語言模型（LLMs），特別是GPT，在癌細胞系藥物敏感性預測（DSP）中的應用。研究調整了提示工程技術，提升GPT在藥物基因組學數據上的表現，並與現有基準比較。 主要發現包括： 1. 開發三種提示模板，提升GPT處理結構化數據的能力。 2. 微調方法顯著提高F1分數，表現最佳。 3. GPT在GDSC數據集上F1分數提高16%，展現強大泛化能力。 4. 提供藥物與通路關聯的見解，與先前發現一致。 總體而言，研究顯示GPT可作為精準腫瘤學的有效工具，改善癌症治療策略。研究代碼和數據集已公開於GitHub。 PubMed DOI

準確預測分子毒性對藥物開發非常重要，傳統方法多依賴指紋或圖形特徵。隨著大型語言模型（LLMs）的出現，分子表示學習有了新機會。我們提出了BFGTP，一個基於BERT的兩階段分子表示學習框架，專注於毒性預測。此方法包含獨立編碼器和兩階段引導策略，能有效整合多種分子描述。實驗結果顯示，BFGTP在七個毒性數據集上表現優於現有基準，並在多項指標上達到最佳表現，證明其有效性。 PubMed DOI

作者提出 BAITSAO 統一模型，運用大型語言模型產生的嵌入技術，提升癌症藥物協同作用的預測準確度。該模型經多任務學習訓練，表現優於現有方法，還能協助新藥發現、藥物與基因互動分析及多重藥物協同效果預測。 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

這項研究開發了NICRP-Framework，運用先進NLP技術和大型語言模型，分析各類飲食資料來預測大腸直腸癌風險。該框架能有效處理資料不平衡問題，找出關鍵營養因子，預測準確率高達98.4%。這有助於深入了解飲食與癌症的關聯，並推動更精準、個人化的預防策略。 PubMed DOI

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

這項研究利用先進的transformer模型（DNABERT-2和Nucleotide Transformer），有效區分癌症與非癌症基因突變。團隊結合真實與合成資料訓練，解決資料不平衡問題。結果顯示，這方法在各項指標上都比現有模型更優秀，有助提升基因分析準確度，未來有望推動個人化癌症治療發展。 PubMed DOI