Artificial intelligence-driven prediction and validation of blood-brain barrier permeability and absorption, distribution, metabolism, excretion profiles in natural product research laboratory compounds.
人工智慧驅動的血腦屏障通透性及吸收、分佈、代謝、排泄特徵的預測與驗證：以天然產品研究實驗室化合物為例。 Biomedicine (Taipei) 2025-01-08

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<sup>-7</sup> 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

SensitiveCancerGPT: Leveraging Generative Large Language Model on Structured Omics Data to Optimize Drug Sensitivity Prediction.
SensitiveCancerGPT：利用生成大型語言模型在結構化組學數據上優化藥物敏感性預測。 bioRxiv 2025-03-10

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

BFGTP: A BERT-Guided Two-Stage Molecular Representation Learning Framework for Toxicity Prediction.
BFGTP：一個基於BERT的兩階段分子表徵學習框架，用於毒性預測。 IEEE J Biomed Health Inform 2025-04-01

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

Building A Unified Model for Drug Synergy Analysis Powered by Large Language Models.
由大型語言模型驅動的藥物協同作用分析統一模型的建立 bioRxiv 2025-04-16

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

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

NLP for Computational Insights into Nutritional Impacts on Colorectal Cancer Care.
運用NLP於結直腸癌照護中營養影響的計算洞察 SLAS Technol 2025-04-19

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

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

DruGNNosis-MoA: Elucidating Drug Mechanisms as Etiological or Palliative with Graph Neural Networks Employing a Large Language Model.
DruGNNosis-MoA：結合大型語言模型與圖神經網路，釐清藥物機轉為病因性或緩解性 IEEE J Biomed Health Inform 2025-04-29

這項研究提出DruGNNosis-MoA新AI框架，能準確區分藥物是針對疾病成因還是僅緩解症狀。它結合SciBERT語言模型和圖神經網路，利用藥物、基因和疾病資料，F1-score高達0.94，有助於提升藥物開發效率和精準醫療。 PubMed DOI

Transformer-based models for uncovering genetic mutations in cancerous and non-cancerous genomes.
用於發現癌性與非癌性基因組中遺傳突變的 Transformer-based 模型 Gene 2025-05-29

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

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