深度學習，特別是大型語言模型（LLMs），在植物生物學中展現出很大的潛力，能為植物細胞系統提供新見解。蛋白質語言模型（PLMs）提升了我們分析核酸和蛋白質序列的能力，揭示生物數據中的複雜模式和關係。這不僅有助於識別序列模式和結構-功能關係，還能促進農業基因改良。透過整合深度學習，我們在植物性狀的基礎研究上能取得顯著進展。因此，戰略性地應用這些方法對推進植物科學和可持續農業至關重要。 PubMed DOI

基因組時代的來臨促進了高通量數據和先進計算方法的發展，幫助我們探索植物抗逆境的遺傳與功能。儘管有許多實驗和分析技術，但龐大的數據量仍帶來挑戰。深度學習模型在預測基因結構和功能方面表現優異，並在農業高通量表型學中越來越常見。這篇綜述強調了數據資源和生物信息學工具，以及機器學習和人工智慧在植物抗逆境研究中的應用，並展示如何利用大型語言模型（如ChatGPT）創建相關知識圖譜，促進跨領域合作。 PubMed DOI

這篇評論強調智慧農業中控制作物疾病和害蟲的重要性，並指出這些問題對產量和品質的影響。文章聚焦無人機在農業健康監測中的應用，這些無人機搭載先進感測器，結合人工智慧和深度學習技術。研究透過文獻計量學方法，識別該領域的關鍵趨勢。 評論提供作物疾病和害蟲的基礎知識，討論傳統機器學習的表現，並總結深度學習技術的應用。最後，針對研究空白和挑戰，提出實用解決方案及未來建議。 PubMed DOI

植物疾病對全球糧食危機影響深遠，利用先進的人工智慧技術能顯著改善診斷。然而，現有的檢測方法因過度依賴單一數據模態而面臨挑戰。為了解決這個問題，我們提出了一種多模態方法，結合植物表型與特徵描述，並透過逐步遮蔽影像來增強診斷。我們的PhenoTrait模型在生成特徵描述方面表現優於多個先進模型，並已公開代碼與數據集，網址為 https://plantext.samlab.cn/。 PubMed DOI

這篇文章回顧了生物資訊工具和人工智慧在分析組學數據以識別熱帶疾病的應用。根據2015至2024年間約40篇經過同行評審的研究，文章指出這個領域的機會與挑戰。主要發現顯示，像BLAST和Clustal Omega等工具對熱帶疾病識別有顯著貢獻，整合多種組學數據能提升生物標記的發現及疫情預測。人工智慧模型也提高了CRISPR基因編輯的效率，並有效識別疾病。最近基於Transformer的模型如BERT和GPT-4在序列分析中表現出色，GeneViT等技術在疾病分類上也顯示良好結果。 PubMed DOI

深度學習已成為植物生物學的重要工具，特別是在處理大型數據和揭示複雜關係方面。這篇綜述提到幾個關鍵應用： 1. **基因組序列分析**：用於預測基因表達和表觀遺傳特徵。 2. **基序挖掘與功能組件設計**：探討生成對抗網絡等技術的進展。 3. **蛋白質結構與功能預測**：展示深度學習在這些領域的影響。 4. **未來展望**：強調多組學數據整合和智能育種策略的潛力。 總之，深度學習在植物生物學的應用正快速發展，對理解植物系統有重要意義。 PubMed DOI

番茄（<i>Solanum lycopersicum</i> L.）的栽培對全球營養和經濟有重要意義，但面臨如<i>Tuta absoluta</i>等害蟲威脅，影響產量並提高生產成本。傳統檢測方法勞動密集且易出錯，因此需要先進技術。本研究利用人工智慧，整合YOLOv8進行害蟲檢測與分割，並使用ChatGPT-4提供建議。結果顯示，該模型在檢測精確度上達98.91%，顯著優於傳統方法，並能為未受訓練的生產者提供即時諮詢，推動更環保的農業實踐。未來應專注於特定數據訓練以提升準確性。 PubMed DOI

近年來，AI技術像是機器學習和智慧感測器，已廣泛應用在稻米、小麥機能性食品的研發，提升栽培、加工和品質檢測效率。結合光譜分析後，分析更快又不破壞樣品，有助解決產量低或過度加工等問題。不過，目前還有應用受限、資料不足和成本高等挑戰。未來隨AI進步，預期會成為研發關鍵推手。 PubMed DOI

大型語言模型（LLMs）在自然語言處理很強，但在植物育種的應用還有很大發展空間。這篇綜述說明LLMs能協助分析複雜生物資料、預測重要性狀，並整合基因體和環境等多元資料，有助於提升基因發現和決策效率。文章也討論目前進展、挑戰及未來展望，期望推動永續農業與糧食安全。 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