AutoBA是一款創新的AI工具，專為自動化多組學生物資訊分析而設計。它利用大型語言模型簡化分析過程，使用者只需提供少量輸入，並能獲得詳細的步驟計劃。AutoBA能根據數據變化自我調整分析流程，並支持多個LLM後端，提供在線及本地使用選項，確保數據安全與隱私。此外，它具備自動代碼修復機制，增強分析穩定性，並能隨著新興工具的發展而適應，成為多組學分析的強大解決方案。 PubMed DOI

大型語言模型（LLMs）在心理學研究中的應用越來越受到重視。為此，開發了名為 "MacBehaviour" 的 R 套件，能與超過 100 種 LLM 互動，包括 OpenAI 的 GPT、Claude、Gemini 和 Llama 等熱門模型。這個套件簡化了實驗設計與執行，讓研究人員只需幾行程式碼就能進行心理學實驗。實驗結果顯示，這些模型在性別推斷上與人類相似。總之，"MacBehaviour" 是一個友好的工具，為研究機器行為提供了重要資源。 PubMed DOI

SciAgents 方法針對人工智慧中的一大挑戰，創造出能自主增進科學理解的系統。它結合了三個主要元素：大規模本體知識圖譜、語言模型與數據檢索工具，以及具即時學習能力的多代理系統。在生物啟發材料領域，SciAgents 揭示了被忽視的跨學科連結，超越傳統研究方法，能自主制定和修正假設，發現新材料並批判現有假設，促進可持續的生物複合材料開發。 PubMed DOI

相機陷阱正在改變生態研究，但目前的自動影像分析常常缺乏深入的保育資訊。為了改善這一點，我們建議將視覺-語言模型整合進分析流程。我們的兩階段系統首先利用YOLOv10-X進行物種定位與分類，接著使用Phi-3.5-vision-instruct模型，這不僅提升了物種識別，還能捕捉更多生態變數，如植被類型和時間。這樣的組合讓複雜查詢變得可行，並生成結構化報告，提供物種豐富度、分佈、行為及棲息地選擇的見解，減少人工努力，支持主動保育決策。 PubMed DOI

尖峰排序對於理解神經活動非常重要，但傳統方法繁瑣且難以擴展。隨著神經記錄技術的進步，自動化解決方案的需求愈加迫切。為此，我們推出了SpikeAgent，這是一個由大型語言模型驅動的AI代理，能自動化尖峰排序過程。SpikeAgent結合多個LLM後端和已建立的算法，能自主執行排序並生成可解釋的報告，增強透明度。經過與專家的基準測試，SpikeAgent顯示出與人類專家相當的整理一致性，顯著降低專業知識門檻，並加速整理過程，為神經科學研究帶來重大進展。 PubMed DOI

大型語言模型（LLMs）已經在實驗室工作流程中帶來了顯著進展，特別是在化學研究的自主化方面。本報告介紹了ChemAgents，這是一個由多代理系統和Llama-3.1-70B LLM驅動的機器人AI化學家。ChemAgents能在少量人類介入下執行複雜實驗，並協調文獻閱讀、實驗設計、計算執行和機器人操作等四個專門代理。系統在六個實驗任務中展現了其有效性，並成功在新機器人化學實驗室中自主進行光催化反應，顯示出其可擴展性和適應性，為化學研究的自主化鋪平道路。 PubMed DOI

BRAD agent 是一套開源軟體，能把大型語言模型和外部研究工具、資料來源整合，提升生醫研究的透明度和可重現性。它強調資料來源清楚、操作流程可靠，能自動化文獻檢索、biomarker 發現等任務，彈性高，適合多種應用。原始碼和文件都已公開。 PubMed DOI

本研究提出用大型語言模型打造模組化 AI 代理人，分工處理訓練規劃、動物福利、SOP 等任務，協助訓練師快速產出個別化、實用的動物訓練計畫。這種彈性架構能有效彌補現有 AI 工具與實際訓練需求間的落差。 PubMed DOI

這篇研究用GPT-4o取代傳統多智能體模擬的硬編碼行為，透過工具鏈把NetLogo和OpenAI API串接，讓智能體能根據環境動態產生行為。實驗證明，LLM能有效驅動群體自我組織和湧現現象，為自然智慧系統研究帶來新方法。程式碼和資料可在GitHub下載。 PubMed DOI

生物醫學研究常因流程繁瑣又重複，進展緩慢。Stanford 團隊推出 AI 助理 Biomni，能自動執行各種生醫研究任務，整合論文中的工具和資料庫，結合大型語言模型與程式碼執行，動態規劃複雜任務。測試證明 Biomni 泛用性高，無需特別調整就能處理多種生醫問題，幫助科學家加速研究。可至 https://biomni.stanford.edu 體驗。 PubMed DOI