An Accurate and Efficient Approach to Knowledge Extraction from Scientific Publications Using Structured Ontology Models, Graph Neural Networks, and Large Language Models.
一種準確且高效的科學文獻知識提取方法：使用結構化本體模型、圖神經網絡和大型語言模型。 Int J Mol Sci 2024-11-09

這項研究探討了研究人員在處理大量生物醫學文獻時的挑戰，並提出了一種混合方法，結合文本挖掘、圖神經網絡（GNNs）和微調的大型語言模型（LLMs）。這種方法旨在增強生物醫學知識圖譜，並解釋預測的關係。研究顯示，該方法在蛋白質相互作用數據集上達到0.772的馬修斯相關係數，並在失眠研究中識別出25個新的人類蛋白質相互作用。這種方法有助於加速治療靶點的發現，並提高文獻分析的效率。 PubMed DOI

Improving drug repositioning with negative data labeling using large language models.
利用大型語言模型改善藥物重定位的負面數據標記。 J Cheminform 2025-02-05

藥物重定位有助於加速開發、降低成本及失敗率，但獲取可靠的負面數據仍是挑戰。為了解決這個問題，我們採用了正負標籤學習方法，並利用大型語言模型（GPT-4）分析前列腺癌臨床試驗，成功識別真負樣本，預測準確性顯著提升。透過我們的標記策略，建立了包含80種藥物的數據集，並評估了11,043種藥物的重定位潛力，找出980個前列腺癌治療候選者。這一方法可擴展至其他疾病，為新療法的發現提供更準確的數據支持。 PubMed DOI

DrugGen enhances drug discovery with large language models and reinforcement learning.
DrugGen 結合大型語言模型與強化學習以促進新藥發現 Sci Rep 2025-04-18

傳統藥物設計又慢又容易失敗，深度學習模型像DrugGPT雖然能產生新分子，但常常沒用。DrugGen是改良版，結合真實資料和優化技術，能產生100%有效分子，預測和多樣性都更好。測試證明它有效，還能幫助藥物再利用和新藥設計，大大提升藥物開發效率。 PubMed DOI

Inferring Drug-Gene Relationships in Cancer Using Literature-Augmented Large Language Models.
利用文獻增強大型語言模型推論癌症中的藥物-基因關係 Cancer Res Commun 2025-04-28

**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

DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction.
DrugAgent：基於多智能體大型語言模型推理的藥物-靶點交互作用預測 ArXiv 2025-04-29

DrugAgent 是專為藥物-靶點交互預測設計的多代理大型語言模型系統，結合機器學習、知識圖譜和文獻證據，並強調推理透明度。其 F1 分數比傳統方法高 45%，且能清楚說明每次預測的推理過程，提升生醫應用的可信度。程式碼已公開。 PubMed

Natural language processing in drug discovery: bridging the gap between text and therapeutics with artificial intelligence.
人工智慧輔助下，自然語言處理於藥物開發：連結文本與治療之間的橋樑 Expert Opin Drug Discov 2025-04-29

近年AI和NLP技術大幅提升生命科學領域的文本分析效率，像NER、知識圖譜和大型語言模型各有優缺點，適合不同生物資料。選擇技術時要依應用需求調整。隨著科學文獻暴增，研究人員面臨更多機會與挑戰。 PubMed DOI

DruGNNosis-MoA: Elucidating Drug Mechanisms as Etiological or Palliative with Graph Neural Networks Employing a Large Language Model.
DruGNNosis-MoA：結合大型語言模型與圖神經網路，釐清藥物機轉為病因性或緩解性 IEEE J Biomed Health Inform 2025-04-29

這項研究提出DruGNNosis-MoA新AI框架，能準確區分藥物是針對疾病成因還是僅緩解症狀。它結合SciBERT語言模型和圖神經網路，利用藥物、基因和疾病資料，F1-score高達0.94，有助於提升藥物開發效率和精準醫療。 PubMed DOI

Large language models for Alzheimer's disease drug discovery.
用於阿茲海默症新藥開發的大型語言模型 J Alzheimers Dis 2025-06-02

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

LLM-DDI: Leveraging Large Language Models for Drug-Drug Interaction Prediction on Biomedical Knowledge Graph.
LLM-DDI：運用大型語言模型於生物醫學知識圖譜進行藥物間交互作用（Drug-Drug Interaction）預測 IEEE J Biomed Health Inform 2025-07-02

這篇論文提出 LLM-DDI 模型，結合 GPT 產生的分子嵌入和圖神經網路，利用生醫知識圖譜的語意關係來預測藥物交互作用。實驗證明，LLM-DDI 在真實資料上表現比現有方法更好，對藥物開發和臨床應用很有幫助。 PubMed DOI

Drug repurposing for Alzheimer's disease using a graph-of-thoughts based large language model to infer drug-disease relationships in a comprehensive knowledge graph.
利用基於圖思維（graph-of-thoughts）的大型語言模型，於綜合知識圖譜中推論藥物與疾病關係，進行阿茲海默症藥物再利用。 BioData Min 2025-08-06

這項研究證實，結合疾病專屬知識圖譜、先進大型語言模型和Graph-of-Thoughts方法，能大幅提升阿茲海默症藥物再利用的效率。全新ESCARGOT框架表現優於傳統方法，不僅加速藥物開發，也有望推廣到其他疾病領域。 PubMed DOI

原始文章

站上相關主題文章列表