在人工智慧（Artificial Intelligence, AI）持續重塑生物醫學研究的時代，一項新研究承諾將透過利用大型語言模型（Large Language Models, LLMs）的能力，來改變藥物安全性評估的方式。這項研究近期發表於《科學報告》（Scientific Reports），介紹了一種名為 PromptSE 的開創性方法，該方法利用 LLM 衍生的藥理學表徵來預測藥物副作用。
PromptSE：基於 LLM 的藥物副作用預測方法
PromptSE 的核心在於利用 LLM 理解和生成自然語言的能力，將藥物資訊轉換為機器可讀的表徵。傳統的藥物副作用預測方法往往依賴於結構活性關係（Structure-Activity Relationship, SAR）或藥物基因組學數據，但這些方法可能受到數據可用性和複雜性的限制。PromptSE 則透過 LLM 從大量的生物醫學文獻中學習，提取藥物與副作用之間的潛在關聯，從而克服了這些限制。
研究團隊透過訓練 LLM 來理解藥物描述、作用機制和已知的副作用，建立了一個全面的藥理學知識庫。隨後，PromptSE 利用這些知識來預測新藥或已知藥物的新副作用。這種方法不僅可以加速藥物開發過程，還可以提高藥物安全性評估的準確性，從而減少患者用藥風險。
研究成果與潛在應用
《科學報告》發表的這項研究詳細介紹了 PromptSE 的設計、訓練和驗證過程。研究人員使用多個公開的藥物副作用數據集來評估 PromptSE 的性能，並將其與傳統的機器學習方法進行比較。結果顯示，PromptSE 在預測藥物副作用方面表現出顯著的優勢，尤其是在處理複雜的藥物相互作用和罕見副作用時。
PromptSE 的成功應用不僅限於藥物開發。它還可以被用於藥物重定位，即尋找已知藥物的新用途。透過分析 LLM 衍生的藥理學表徵，研究人員可以識別出可能對特定疾病有效的藥物，從而加速新療法的開發。此外，PromptSE 還有望應用於個性化醫療，根據患者的基因組和病史，預測他們對特定藥物的反應，從而實現更精準的治療。
面臨的挑戰與未來展望
儘管 PromptSE 在藥物副作用預測方面取得了顯著進展，但仍面臨一些挑戰。首先，LLM 的訓練需要大量的數據和計算資源，這可能會限制其在資源有限的環境中的應用。其次，LLM 的預測結果可能受到訓練數據的偏差影響，因此需要仔細評估和驗證。
展望未來，研究人員計劃進一步改進 PromptSE 的性能，並探索其在其他生物醫學領域的應用。例如，他們正在研究如何利用 LLM 來預測藥物之間的相互作用，以及如何將 PromptSE 與其他 AI 技術結合，以實現更全面的藥物安全性評估。此外，研究團隊還計劃開發一個易於使用的 PromptSE 平台，以便研究人員和藥物開發人員可以更輕鬆地利用這項技術。這項研究的發布日期為 2026 年 5 月 30 日。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機
Date: May 30, 2026