基于大型语言模型（LLMs）的研究和应用在生物信息学领域有着巨大潜力和效力，该研究通过分析各种关键生物信息学任务，证明了 LLMs（如 GPT 变体）在给定适当提示的情况下可以成功处理大多数任务，同时也分析了在复杂生物信息学任务中的局限性。

Feb, 2024

利用大型语言模型（LLMs）生成的合成观察数据，用于改善机器学习模型对于自闭症谱系障碍（ASD）诊断的准确性。通过评估 ChatGPT 和 GPT-Premium 生成的 4,200 个合成观察数据，并使用预训练于生物医学文献的 BERT 分类器比较模型之间的性能差异，发现数据增加了召回率 13%，但降低了精确度 16%。未来的研究将分析不同合成数据特征对机器学习结果的影响。

May, 2024

该研究调查了大型语言模型在生物医学和健康领域中的多种应用，包括生物医学信息检索、问答、文本摘要、信息提取和医学教育等，并研究了 LLM 是否具有革新这些任务的能力，发现 LLMs 在生物医学文献生成方面已取得了显著进展，但在其他方面，其进展并不太大。虽然大型语言模型在生物医学与健康领域应用的潜力巨大，但其使用也存在某些风险和挑战，例如可疑生成的信息以及涉及敏感病人数据的法律和隐私问题。

Jun, 2023

我们提出了 PandemicLLM，这是一个新颖的框架，利用多模态大型语言模型将疾病传播的实时预测转化为文本推理问题，能够整合实时、复杂、非数值型信息，并在 COVID-19 大流行中得到应用。该研究揭示了适用大型语言模型和表征学习提升疫情预测的潜力，展示了人工智能创新如何加强未来的疫情应对和危机管理。

Apr, 2024

本文利用 GPT-2 语言模型，结合 tf-idf、BERT、BioBERT、USE 四种过滤方法，开发了一款自动回答有关 COVID-19 的聊天机器人，并通过医学专家评估，发现 BERT 和 BioBERT 优于 tf-idf 和 USE，以提供正确、即时、有用的健康数据。同时，还创建了一款用户友好型的互动网络应用程序。

Jun, 2020

chatGPT Code Interpreter (CI) 通过自主开发 ML 模型来预测临床结果并在医学研究和实践中推广广泛应用，从而弥合机器学习开发者和临床实践者之间的知识鸿沟。

Aug, 2023

研究了大型语言模型在生物医学任务中的性能，并与更简单的模型进行了比较，特别地，探讨了分类和因果关系检测任务。发现精细调整后的模型依然是最佳策略，而简单的词袋模型的表现与最复杂的大型语言模型的表现相当。

Apr, 2023

2023 年，将大型语言模型（LLM）聊天机器人 ChatGPT 应用于各个领域迎来了显著增长；我们调查了 ChatGPT 在生物信息学和生物医学信息学领域的各个部门中的应用情况，涵盖了组学、遗传学、生物医学文本挖掘、药物发现、生物医学图像理解、生物信息学编程和生物信息学教育；我们总结了这个聊天机器人在生物信息学领域的当前优势和局限，并提供了未来发展的潜力方向。

Mar, 2024

本研究介绍了一种基于 ChatGPT 的对话式自动化机器学习 (AutoML) 框架作为 “个人数据科学家”，通过多个语言模型实例构建了自然界面，展示了对话式数据科学的新概念，同时也突出了 ChatGPT 的潜在缺陷和改进机会。

May, 2023

我们使用基于提示的语言模型引入了一种多步推理框架，以检测社交媒体语言模式与国家健康状况趋势之间的关系，通过基于角色的增量辅导（RBIC）这种基于提示的语言模型框架，系统提取来自反对 COVID-19 健康措施的子论坛讨论中的要点，然后跟踪这些要点在关键事件中的演变，并评估其对在线参与的影响，最后调查要点数量与疫苗接种率和住院率等国家卫生趋势的关联，我们的工作是首次将社交媒体语言模式与现实世界的公共卫生趋势相联系，突出了基于提示的语言模型在识别形成公共卫生传播策略基础上的关键在线讨论模式的潜力。

Mar, 2024