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

阿茲海默症對生活品質造成重大影響，雖然新療法不斷出現，但仍需有效治療。為此，我們推出DeepDrug，一種人工智慧驅動的藥物重定位方法，旨在為AD患者找出有效的已批准藥物組合。DeepDrug整合專家知識，利用生物醫學圖譜，運用圖神經網絡編碼，並系統性選擇最佳藥物組合。我們識別出一個有前景的五藥組合，針對AD相關的神經炎症等問題，顯示出臨床應用潛力。 PubMed DOI

ESCARGOT 是一種創新的方法，結合動態思維圖和生物醫學知識圖譜，提升像 GPT-4 這樣的大型語言模型的效能。它解決了檢索增強生成技術的常見問題，如上下文長度限制和向量相似性搜索的不準確性，從而提高輸出可靠性，減少幻覺，特別在高精確度的開放式問題上表現優異。此外，ESCARGOT 提供更大的透明度，使用者能檢視代碼和知識請求，避免傳統模型的黑箱問題。它可作為 pip 套件使用，並可在 GitHub 上找到，網址是：https://github.com/EpistasisLab/ESCARGOT。 PubMed DOI

阿茲海默症是一種漸進性的神經系統疾病，影響全球數百萬人，導致認知能力下降和記憶喪失。傳統診斷方法難以早期檢測。本研究提出一種新方法，結合自然語言處理和大型語言模型，利用GenBERT來識別阿茲海默症的生物標記。透過整合臨床數據，GenBERT在早期預測方面表現優異，準確率達98.30%，並顯示出高敏感性和特異性，為阿茲海默症的早期診斷提供了可靠工具，可能改變未來的檢測與治療策略。 PubMed DOI

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

研究團隊整合生醫文獻和資料庫，建立阿茲海默症知識圖譜（ADKG），用NLP技術捕捉AD相關基因、藥物等複雜關聯。經ADKG訓練的模型能預測新關聯，並結合UK Biobank資料後，提升AD預測準確度。ADKG有助於加速治療與診斷發現，推動阿茲海默症精準醫療發展。 PubMed DOI

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

這項研究開發了一套自動化系統，運用大型語言模型和自然語言處理，從文獻中擷取健康社會決定因素，並結合阿茲海默症的生物資料建立知識圖譜。透過圖神經網路預測關聯，有助於了解社會因素對AD風險的影響，且方法也適用於其他健康議題。程式碼已公開在GitHub。 PubMed

DrugReX 是一套結合知識圖譜、機器學習和大型語言模型的新系統，能更有效率地找出藥物再利用的潛力。實際應用在阿茲海默症時，不只找出新藥物候選，還能提供有文獻佐證的解釋，專家也認為這比單靠 LLMs 更可靠，有助提升藥物再利用的透明度和可信度。 PubMed DOI

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