這項研究探討如何利用高通量篩選癌細胞株來預測藥物敏感性，並改善抗腫瘤療法。研究人員結合細胞株的轉錄組學和大型語言模型，成功將藥物與其作用機制連結。結果顯示，重要基因與藥物作用機制有顯著關聯，證明模型能有效捕捉影響治療結果的因素。研究還驗證了對胰臟癌和膠質母細胞瘤患者有效的藥物，顯示整合轉錄組數據和建模技術在個性化癌症治療中的潛力。 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

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

Zhang 等人提出 ASD-cancer，利用自編碼器整合多種癌症 omics 資料，採半監督深度學習，表現優於傳統方法，並支援遷移學習。評論認為其方法創新，建議未來可加入更多資料型態、持續學習及結合大型語言模型，提升癌症研究的解釋力與影響力。 PubMed DOI

**重點摘要：** 這項研究介紹了一個名為 GeneRxGPT 的工具，它結合了大型語言模型（LLMs）和最新的生醫文獻，讓癌症研究人員可以更輕鬆地發現藥物與基因之間的關係、找出新的治療標的、藥物再利用，以及更深入了解複雜的分子交互作用——而且不需要具備進階的電腦運算技能。 PubMed DOI

研究團隊用大型語言模型整理超過10萬筆癌症臨床試驗，建立涵蓋78種癌症和5,315種治療的資料庫，並用推薦系統準確預測有效療法。這方法已獲專家驗證，能協助找出罕見癌症的新治療選項，為資料有限時提供更有依據的治療建議。 PubMed DOI

作者提出 scPEFT 方法，透過在主模型參數凍結下加上小型可訓練 adapter，讓單細胞大型語言模型（scLLMs）能用很少資料和算力快速適應新任務，且不會忘記原本知識。scPEFT 在多種生物任務表現都比 zero-shot 和傳統微調好，特別適合資源有限的研究人員推廣使用。 PubMed DOI

這篇論文提出 BAITSAO 統一模型，利用大型語言模型產生的嵌入來表示藥物和細胞株，並用多任務學習預訓練。BAITSAO 在藥物協同作用預測上表現優於現有方法，未來在藥物開發和基因交互分析等應用也很有潛力。 PubMed DOI

scDrugMap 是首個針對單細胞藥物反應預測的大型基準評測工具，支援 Python CLI 和網頁操作。它評比了 10 種模型，涵蓋 36 個資料集、超過 32 萬細胞。結果顯示 scFoundation 整體表現最佳，UCE 和 scGPT 在特定情境也很優秀。scDrugMap 平台操作簡單，對藥物開發和研究很有幫助。 PubMed

sciL-aMA 是微軟推出的新深度學習框架，結合大型語言模型的基因嵌入和單細胞 RNA 定序資料，採用 paired-VAE 架構。這方法能同時為細胞和基因建立情境感知的表徵，提升批次校正、細胞分群和基因標記鑑定的效果，兼顧效率與可解釋性。原始碼在 GitHub：https://github.com/microsoft/sciLaMA PubMed DOI