新藥開發和不良藥物反應檢測傳統上耗時且成本高，但隨著大規模醫療數據庫和大型語言模型的興起，藥物篩選變得更有效。本研究提出一個自動化高通量藥物篩選流程，具備多項優勢，包括估算藥物與疾病的關聯、整合藥物重新利用與監測、準確解析暴露時間等。研究分析了661萬名患者的數據，發現16,901對藥物-疾病組合顯著降低風險，11,089對則顯著增加風險，顯示出潛在的藥物重新利用和安全問題。這項研究展示了自然語言處理在藥物流行病學中的潛力。 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

研究細胞如何對基因變化反應，對理解基因調控和性狀發展非常重要。高通量單細胞RNA測序技術提升了我們的分析能力，但仍需有效的計算模型來解釋和預測這些反應。 在此背景下，我們推出了scLAMBDA，一個深度生成學習框架，專注於建模和預測單細胞對基因擾動的反應。scLAMBDA結合大型語言模型的基因嵌入，能有效區分基線細胞狀態與擾動影響。 評估結果顯示，scLAMBDA在預測基因擾動結果上超越現有方法，準確性更高，且對新目標基因和擾動具良好泛化能力，支持多種下游分析，展現其實用性和靈活性。 PubMed DOI

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

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