NIAGADS是一個國家數據庫，專門提供與阿茲海默症及相關癡呆症的基因組數據。它致力於整理和標準化來自不同來源的遺傳信息，並透過互動知識庫和API讓研究人員訪問。為了提升使用者體驗，NIAGADS引入了基於AI的工具，包括大型語言模型，幫助用戶簡化查詢、執行API調用和解析結果。此外，對話式AI聊天機器人將回答常見問題，並隨著用戶反饋不斷改進，旨在促進阿茲海默症的遺傳研究。 PubMed DOI

這項研究探討阿茲海默症、肌萎縮側索硬化症和額顳葉癡呆之間的分子機制，分析了超過3300萬篇生物醫學文章。結果顯示，這三種疾病之間有高度重疊，FTD與ALS和AD共享99.9%的關鍵節點。研究還發現，這些節點在炎症、神經傳遞和細胞週期調控等生物過程中有顯著交集。儘管存在重疊，小的調控和環境差異可能影響疾病表現，這些發現可為未來研究提供指導。 PubMed DOI

癡呆症的診斷在全球醫療中面臨挑戰，主要因為其複雜性及電子健康紀錄的不一致性。傳統診斷方法可能會漏掉或錯誤識別病例，因此需要改進工具。本研究探討人工智慧（AI）及大型語言模型（LLMs）在提升癡呆症檢測的潛力。研究結果顯示，使用GPT-4的患者紀錄聚合方法達到最高準確率0.86，顯示大型語言模型能顯著改善癡呆症診斷的準確性，優於傳統方法。 PubMed DOI

阿茲海默症對生活品質造成重大影響，雖然新療法不斷出現，但仍需有效治療。為此，我們推出DeepDrug，一種人工智慧驅動的藥物重定位方法，旨在為AD患者找出有效的已批准藥物組合。DeepDrug整合專家知識，利用生物醫學圖譜，運用圖神經網絡編碼，並系統性選擇最佳藥物組合。我們識別出一個有前景的五藥組合，針對AD相關的神經炎症等問題，顯示出臨床應用潛力。 PubMed DOI

與年齡相關的黃斑變性（AMD）在老年人中引起廣泛關注，近期人工智慧（AI）的進展使得相關研究興趣大增。這項文獻計量分析針對1992至2023年間的AI在AMD研究進行系統評估，使用Web of Science核心合集資料，分析出版量、影響力及研究趨勢。結果顯示美國產出最多，墨爾本大學為主要機構，且深度學習模型的開發及早期檢測成為研究重點。此分析為未來研究提供了重要指引，促進該領域的合作。 PubMed DOI

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

這項研究分析基因表現資料，找出顱內動脈瘤（IA）和自體免疫疾病的基因連結，特別鎖定ADIPOQ和IL21R兩個關鍵診斷基因。利用神經網路模型預測IA，準確度很高，並探討免疫細胞、miRNA調控及潛在藥物標靶，為IA的遺傳和免疫機制及治療提供新方向。 PubMed DOI

這篇研究介紹了 AD-AutoGPT，一款能自動蒐集、分析主流新聞中阿茲海默症相關資訊的 AI 工具。它會根據使用者需求，辨識趨勢和關鍵字，協助掌握阿茲海默症的公共討論動態，展現 AI 在公共衛生研究上的應用潛力。詳細內容可參考 GitHub 專案頁面。 PubMed DOI

大型語言模型（LLMs）正大幅改變阿茲海默症藥物開發流程，能快速分析大量生醫資料、找出新藥標靶並設計新化合物。雖然還有資料品質和模型解釋性的挑戰，LLMs 已有效加速研究進展，為治療帶來新希望，也推動 AI 與生醫領域的合作。 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