這段文字探討了在對生物文本，特別是表型描述進行註釋時的挑戰，尤其是使用本體詞彙的情況。傳統文本挖掘工具在理解上下文方面表現不佳，而像OpenAI的GPT這類大型語言模型則更適合需要語義理解的任務。作者提出利用GPT對*Arabidopsis thaliana*和森林樹木的表型觀察進行本體詞彙註釋，目標是達到與人工註釋相當的效果。這些流程包括將表型解析為簡潔概念，並使用嵌入向量相似度和檢索增強生成（RAG）方法來識別合適的本體詞彙，最終實現高準確度的自動註釋。 PubMed DOI

生物醫學文獻快速增長，讓手動整理知識變得困難，生物醫學自然語言處理（BioNLP）希望透過自動化來解決這些問題。儘管大型語言模型（LLMs）在多個領域展現潛力，但在BioNLP的有效性尚未確立。本研究系統評估了四個LLMs，包括GPT和LLaMA，並與傳統模型如BERT和BART比較。結果顯示，傳統微調方法在大多數任務中表現較佳，但GPT-4在推理任務中表現突出。開源LLMs仍需微調以提升性能，研究也指出LLM輸出中存在信息缺失和幻覺問題。 PubMed DOI

大型語言模型（LLMs）需要高品質的生醫註解來訓練，但這些註解很難取得。現在 LLMs 已能協助加速註解和資料整理，形成良性循環，但也帶來新風險和挑戰。本工作坊將討論 LLMs 在生醫領域的應用、優點及潛在問題。 PubMed DOI

這項研究發現，開源大型語言模型（LLM）在從腫瘤臨床試驗描述中萃取基因生物標記資訊，並將試驗資料結構化方面，表現比GPT-4等封閉模型更好。即使沒特別調整，開源模型就很厲害，經過微調後準確度還能再提升。這有助於病患媒合合適的臨床試驗。 PubMed DOI

Ontolomics-P 是一款操作簡單的網頁工具，專門分析蛋白質體學資料。它用 LDA 主題建模、GO 語意相似度和 GPT-4o 再註解，能把複雜的生物功能整理成清楚易懂的主題，還整合 10 種癌症的蛋白質資料，讓分析更全面、結果更好懂，幫助推動蛋白質體學研究。 PubMed DOI

這篇論文提出用大型語言模型（像 GPT-4o）自動化醫療術語對應 SNOMED CT 等本體，建立 RDF 知識圖譜。研究比較六種系統，發現 GPT-4o 等現代 LLMs 在準確度和語意理解上都比傳統方法好很多，能大幅提升醫療知識圖譜的準確性和資料整合效率。 PubMed DOI

這項研究比較 GPT-4o、Llama 3.1 和 Qwen 2.5 在癌症基因變異臨床分類的表現，發現 GPT-4o 準確率最高。LLMs 在有明確證據時表現佳，但遇到證據較弱的變異時一致性較差，且容易過度分類。透過 prompt 設計和檢索增強生成可提升準確度。整體來說，LLMs 有潛力，但臨床應用還需再優化。 PubMed DOI

這項研究發現，大型語言模型（LLMs）能自動從文本中擷取蛋白質交互等分子資料，表現比人工處理更有效率。雖然在部分基因細節上還有困難，但整體來說，LLMs有助於加速生物知識的發現與應用。 PubMed DOI

傳統基因集分析彈性有限，llm2geneset 利用大型語言模型，能根據基因和自然語言描述，動態產生專屬基因集，品質媲美甚至超越人工整理。這工具在解析高通量資料和找生物過程上，比傳統方法更有效。llm2geneset 已開源，網路上可免費取得。 PubMed DOI

最新的商業大型語言模型（像GPT-4o），在神經影像的中繼資料標註上，表現幾乎跟專業人員一樣好（zero-shot下得分0.91–0.97），錯誤率也差不多，很多分歧其實不是錯誤。這代表LLM很適合大規模自動標註。作者也建議大家建立並分享標註基準資料集，方便未來測試。 PubMed DOI