Milline on generatiivse tehisintellekti roll ravimite avastamisel?

Milline on generatiivse tehisintellekti roll ravimite avastamisel?

Lühike vastus: Generatiivne tehisintellekt kiirendab peamiselt ravimite avastamist, genereerides kandidaatmolekule või valgujärjestusi, pakkudes välja sünteesiteid ja tuues esile testitavaid hüpoteese, et meeskonnad saaksid läbi viia vähem "pimekatseid". See toimib kõige paremini siis, kui rakendatakse rangeid piiranguid ja valideeritakse väljundeid; kui seda koheldakse nagu oraaklit, võib see enesekindlalt eksitada.

Peamised järeldused:

Kiirendus : Kasutage GenAI-d ideede genereerimise laiendamiseks ja seejärel kitsendage seda range filtreerimisega.

Piirangud : Enne genereerimist on vaja omaduste vahemikke, tellingureegleid ja uudsuse piiranguid.

Valideerimine : käsitle väljundeid hüpoteesidena; kinnita analüüside ja ortogonaalsete mudelitega.

Jälgitavus : logige küsimused, väljundid ja põhjendused, et otsused jääksid auditeeritavaks ja ülevaadatavaks.

Väärkasutuse tõkestamine : lekkeid ja liigset enesekindlust saab vältida juhtimise, juurdepääsukontrolli ja inimeste poolt tehtava läbivaatamise abil.

Milline on generatiivse tehisintellekti roll ravimite avastamisel? Infograafik

Artiklid, mida võiksite pärast seda lugeda:

🔗 Tehisintellekti roll tervishoius
Kuidas tehisintellekt parandab diagnoosimist, töövooge, patsiendihooldust ja tulemusi.

🔗 Kas tehisintellekt asendab radiolooge?
Uurib, kuidas automatiseerimine täiustab radioloogiat ja mis jääb inimlikuks.

🔗 Kas tehisintellekt asendab arste?
Aus pilk tehisintellekti mõjule arstide tööle ja praktikale.

🔗 Parimad tehisintellekti laboritööriistad teaduslikeks avastusteks
Parimad tehisintellekti laboritööriistad katsete, analüüsi ja avastuste kiirendamiseks.

Generatiivse tehisintellekti roll ravimite avastamisel, ühe hingetõmbega 😮💨

Generatiivne tehisintellekt aitab ravimimeeskondadel luua kandidaatmolekule, ennustada omadusi, pakkuda modifikatsioone, pakkuda sünteesiteid, uurida bioloogilisi hüpoteese ja lühendada iteratsioonitsükleid – eriti varajases avastamises ja uurimismeetodite optimeerimises. Nature 2023 (ligandi avastamise ülevaade) Elsevier 2024 ülevaade (generatiivsed mudelid de novo ravimite disainis).

Ja jah, see võib enesekindlalt genereerida ka jama. See on osa asjast. Nagu väga entusiastlik rakettmootoriga praktikant. Arsti juhend (hallutsinatsioonide risk) npj Digital Medicine 2025 (hallutsinatsioonid + ohutusraamistik).

Miks see on olulisem, kui inimesed tunnistavad 💥

Suur osa avastustööst on „otsing“. Otsi keemilist ruumi, otsi bioloogiat, otsi kirjandust, otsi struktuuri ja funktsiooni seoseid. Probleem on selles, et keemiline ruum on... põhimõtteliselt lõpmatu. Accounts of Chemical Research 2015 (keemiline ruum) Irwin & Shoichet 2009 (keemilise ruumi skaala).

Sa võiksid veeta mitu elu lihtsalt "mõistlike" variatsioonide proovimisega.

Generatiivne tehisintellekt muudab töövoogu järgmiselt:

  • "Proovime, mida me välja suudame mõelda"

kellele:

  • „Genereerime suurema ja nutikama valikute komplekti ning testime seejärel parimaid.“

Asi pole katsete välistamises. Asi on paremate katsete valimises . 🧠 Loodus 2023 (ligandi avastamise ülevaade)

Samuti, ja seda on vähe käsitletud, aitab see meeskondadel distsipliinideüleselt suhelda . Keemikutel, bioloogidel, DMPK inimestel, arvutusteadlastel... kõigil on erinevad mõttemudelid. Korralik generatiivne süsteem võib olla ühine visandiplokk. Ravimite avastamise piiride 2024 ülevaade.

Mis teeb generatiivsest tehisintellektist hea versiooni ravimite avastamiseks? ✅

Kõik generatiivne tehisintellekt pole loodud võrdseks. Selle valdkonna „hea“ versioon ei keskendu niivõrd toretsevatele demodele ja rohkem ebaseksikale usaldusväärsusele (ebaseksikus on siin voorus). Nature 2023 (ligandide avastamise ülevaade).

Heal generatiivse tehisintellekti seadistusel on tavaliselt:

Kui teie genereeriv tehisintellekt ei suuda piirangutega toime tulla, on see põhimõtteliselt uudsuse generaator. Lõbus pidudel. Vähem lõbus narkoprogrammis.

Kuhu generatiivne tehisintellekt sobib ravimite avastamise protsessi 🧭

Siin on lihtne mõttekaart. Generatiivne tehisintellekt saab panustada peaaegu igasse etappi, kuid see toimib kõige paremini seal, kus iteratsioon on kulukas ja hüpoteesiruum tohutu. Nature 2023 (ligandi avastamise ülevaade).

Levinud kokkupuutepunktid:

Paljudes programmides tulevad suurimad võidud töövoo integreerimisest , mitte sellest, et üks mudel on „geeniuslik“. Mudel on mootor – torujuhe on auto. Loodus 2023 (ligandi avastamise ülevaade).

Võrdlustabel: populaarsed generatiivse tehisintellekti lähenemisviisid, mida kasutatakse ravimite avastamisel 📊

Natuke ebatäiuslik laud, sest päris elu on veidi ebatäiuslik.

Tööriist/lähenemisviis Parim (publikule) Hinnaline Miks see toimib (ja millal mitte)
De novo molekuligeneraatorid (SMILES, graafikud) Keskkeemia + komplekskeemia $$-$$$ Suurepärane uute analoogide kiireks uurimiseks 😎 - aga võib välja sülitada ebastabiilseid sobimatusi. REINVENT 4 GENTRL (Nature Biotech 2019).
Valgu-/struktuurigeneraatorid Bioloogiameeskonnad, struktuuribioloogia $$$ Aitab välja pakkuda järjestusi + struktuure - aga „näeb usutav välja“ ei ole sama, mis „toimib“. AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Difusioonilaadne molekulaarne disain Edasijõudnud masinõppe meeskonnad $$-$$$$ Tugev piirangute tingimise ja mitmekesisuse osas – ülesehitus võib olla… terve asi. JCIM 2024 (difusioonimudelid). PMC 2025 difusiooni ülevaade.
Omaduste ennustamise kaaspiloodid (QSAR + GenAI kombinatsioon) DMPK, projektimeeskonnad $$ Hea triaaži ja järjestuse jaoks - halb, kui käsitleda puhtalt ja evangeeliumina 😬 OECD (rakendatavusvaldkond) ADMETlab 2.0
Retrosünteesi planeerijad Protsessikeemia, CMC $$-$$$ Kiirendab marsruudi ideede genereerimist – teostatavuse ja ohutuse tagamiseks on endiselt vaja inimesi. AiZynthFinder 2020 Coley 2018 (CASP)
Multimodaalsed labori kaasprojektid (tekst + analüüsiandmed) Tõlkemeeskonnad $$$ Kasulik signaalide tõmbamiseks andmekogumite vahel - kalduvus liigsele enesekindlusele, kui andmed on ebaühtlased. Loodus 2024 (partiiefektid rakkude pildistamisel). npj Digitaalne meditsiin 2025 (multimodaalne biotehnoloogias).
Kirjanduse ja hüpoteesi assistendid Kõik, praktikas $ Vähendab oluliselt lugemisaega, aga hallutsinatsioonid võivad olla libedad, nagu sokkide kadumine. Mustrid 2025 (LLM-id ravimite väljatöötamisel). Arstide juhend (hallutsinatsioonid).
Kohandatud ettevõttesisesed vundamendimudelid Suured farmaatsiaettevõtted, hästi rahastatud biotehnoloogiaettevõtted $$$$ Parim kontroll + integratsioon - ka kallis ja aeglane ehitada (vabandust, see on tõsi) Frontiers in Drug Discovery 2024 ülevaade

Märkused: hinnad varieeruvad suuresti olenevalt ulatusest, arvutusvõimsusest, litsentsimisest ja sellest, kas teie meeskond soovib „ühenda ja kasuta“ või „ehitame kosmoselaeva“

Lähemal vaatlusel: Generatiivne tehisintellekt tabamuste avastamiseks ja de novo disainiks 🧩

See on peamine kasutusjuhtum: kandidaatmolekulide genereerimine nullist (või karkassilt), mis vastavad sihtprofiilile. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Kuidas see tavaliselt praktikas toimib:

  1. Määrake piirangud

  2. Kandidaatide genereerimine

  3. Filtreeri agressiivselt

  4. Valige sünteesiks väike komplekt

    • inimesed ikka valivad, sest nad tunnevad vahel jama lõhna

Kohmakas tõde: väärtus ei seisne ainult "uutes molekulides". Need on uued molekulid, mis sobivad teie programmi piirangutega . See viimane osa on kõik. Nature 2023 (ligandi avastamise ülevaade)

Ja nüüd tuleb kerge liialdus: kui kõik hästi tehtud, võib tunduda, nagu oleksid palganud meeskonna väsimatuid nooremaid keemikuid, kes ei maga ega kurda. Samas ei saa nad ka aru, miks konkreetne kaitsestrateegia on õudusunenägu, seega… tasakaal 😅.

Lähemal vaatlusel: müügivihjete optimeerimine generatiivse tehisintellekti abil (mitme parameetriga häälestamine) 🎛️

Müügivihjete optimeerimine on see, kus unistused keeruliseks lähevad.

Sa tahad:

  • potentsi tõus

  • selektiivsus ülespoole

  • ainevahetuse stabiilsuse suurenemine

  • lahustuvus ülespoole

  • ohutussignaalid maas

  • läbilaskvus „täpselt õige“

  • JA ikkagi sünteesitav

See on klassikaline mitme eesmärgiga optimeerimine. Generatiivne tehisintellekt on ebatavaliselt hea kompromisslahenduste pakkumises, selle asemel et teeselda, et on olemas üks ideaalne ühend. REINVENT 4 Elsevier 2024 arvustus (generatiivsed mudelid).

Praktilised viisid, kuidas meeskonnad seda kasutavad:

  • Analoogne soovitus : „Tehke 30 varianti, mis vähendavad kliirensit, kuid säilitavad toime.“

  • Asendusskaneerimine : juhendatud uurimine toore jõuga loendamise asemel

  • Tellingutelt üle hüppamine : kui südamik põrkab vastu seina (toksiline, IP või stabiilsus)

  • Selgitavad ettepanekud : „See polaarne rühm võib küll lahustuvust parandada, aga kahjustada läbilaskvust” (pole alati õige, aga kasulik).

Üks hoiatus: omaduste ennustajad võivad olla haprad. Kui teie treeningandmed ei vasta teie keemilisele seeriale, võib mudel olla enesekindlalt vale. Näiteks väga vale. Ja see ei punasta. OECD QSAR-i valideerimispõhimõtted (rakendatavusvaldkond) Weaver 2008 (QSAR-i rakendusvaldkond)

Lähemal vaatlusel: ADMET, toksilisus ja „palun ärge tapke programmi” sõeluuring 🧯

ADMET on koht, kus paljud kandidaadid vaikselt läbi kukuvad. Generatiivne tehisintellekt ei lahenda bioloogiaprobleeme, kuid see aitab vähendada välditavaid vigu. ADMETlab 2.0 Waring 2015 (kiskuvus).

Levinumad rollid:

  • metaboolsete riskide ennustamine (ainevahetuse kohad, kliirensi trendid)

  • tõenäoliste toksilisusmotiivide märgistamine (hoiatused, reaktiivsete vaheühendite asendajad)

  • lahustuvuse ja läbilaskvuse vahemike hindamine

  • hERG riski vähendamiseks või stabiilsuse parandamiseks muudatuste soovitamine 🧪 FDA (ICH E14/S7B küsimused ja vastused) EMA (ICH E14/S7B ülevaade)

Kõige efektiivsem muster näeb välja umbes selline: kasutage GenAI-d valikute pakkumiseks, kuid kontrollimiseks spetsiaalseid mudeleid ja katseid.

Generatiivne tehisintellekt on ideede mootor. Valideerimine elab endiselt testides.

Lähemal vaatlusel: Generatiivne tehisintellekt bioloogiliste ainete ja valgutehnoloogia jaoks 🧬✨

Ravimite avastamine ei hõlma ainult väikeseid molekule. Generatiivset tehisintellekti kasutatakse ka järgmistel eesmärkidel:

Valkude ja järjestuste genereerimine võib olla võimas, kuna järjestuste „keel” vastab üllatavalt hästi masinõppemeetoditele. Aga siin on ka üks lihtne tagasilöök: see vastab hästi... kuni see enam ei vasta. Sest immunogeensus, ekspressioon, glükosüülimismustrid ja arendatavuse piirangud võivad olla jõhkrad. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Seega on parimate seadete hulka kuuluvad:

  • arendatavuse filtrid

  • immunogeensuse riski hindamine

  • valmistatavuse piirangud

  • märglabori tsüklid kiireks iteratsiooniks 🧫

Kui need vahele jätta, saab suurepärase jada, mis käitub nagu diiva võtteplatsil.

Lähem pilk: sünteesi planeerimine ja retrosünteesi ettepanekud 🧰

Generatiivne tehisintellekt hiilib ka keemiategevusse, mitte ainult molekulide ideede genereerimisse.

Retrosünteesi planeerijad saavad:

  • pakkuda välja sihtühendi saamise viise

  • soovitada kaubanduslikult saadaolevaid lähteaineid

  • järjesta marsruute sammude arvu või tajutava teostatavuse järgi

  • aidata keemikutel kiiresti välistada „armsad, aga võimatud” ideed AiZynthFinder 2020 Coley 2018 (CASP)

See võib säästa reaalajas aega, eriti kui uurite paljusid kandidaatstruktuure. Sellegipoolest on inimesed siin väga olulised, sest:

  • reagentide kättesaadavuse muutused

  • Ohutus- ja ulatusprobleemid on reaalsed

  • mõned sammud näevad paberil head välja, aga ebaõnnestuvad korduvalt

Mitte just täiuslik metafoor, aga ma kasutan seda ikkagi: retrosüntees. Tehisintellekt on nagu GPS, mis on enamasti õige, välja arvatud see, et mõnikord suunab see teid läbi järve ja väidab, et see on otsetee. 🚗🌊 Coley 2017 (arvuti abil retrosüntees).

Andmed, multimodaalsed mudelid ja laborite räbal reaalsus 🧾🧪

Generatiivne tehisintellekt armastab andmeid. Laborid toodavad andmeid. Paberil kõlab see lihtsalt.

Ha. Ei.

Tegelikud laboriandmed on järgmised:

Multimodaalsed generatiivsed süsteemid saavad kombineerida:

Kui see toimib, on see suurepärane. Saate avastada mitte-ilmselgeid mustreid ja pakkuda välja eksperimente, mis üksikul spetsialistil võivad kahe silma vahele jääda.

Kui see ebaõnnestub, siis ebaõnnestub see vaikselt. See ei löö ust pauguga kinni. See lihtsalt lükkab sind enesekindla vale järelduse poole. Seetõttu pole juhtimine, valideerimine ja valdkonna läbivaatamine valikulised. Arstide juhend (hallutsinatsioonid) npj Digital Medicine 2025 (hallutsinatsioonid + ohutusraamistik)

Riskid, piirangud ja jaotis „ära lase end sujuvast väljundist petta” ⚠️

Kui sa mäletad ainult ühte asja, siis pea meeles seda: generatiivne tehisintellekt on veenev. See võib kõlada õigesti, aga olla ka vale. Arsti juhend (hallutsinatsioonid).

Peamised riskid:

Praktikas abiks olevad leevendusmeetmed:

  • hoida inimesi otsustusprotsessis

  • jälgitavuse tagamiseks logipäringud ja väljundid

  • valideerida ortogonaalsete meetoditega (testid, alternatiivsed mudelid)

  • jõustage piirangud ja filtrid automaatselt

  • käsitle väljundeid hüpoteesidena, mitte tõestustabelitena OECD QSAR-juhendis

Generatiivne tehisintellekt on elektriline tööriist. Elektrilised tööriistad ei tee sinust puuseppa... need lihtsalt teevad kiiremini vigu, kui sa ei tea, mida sa teed.

Kuidas meeskonnad võtavad generatiivset tehisintellekti kasutusele ilma kaoseta 🧩🛠️

Meeskonnad soovivad seda sageli kasutada ilma organisatsiooni teadusmessiks muutmata. Praktiline kasutuselevõtu tee näeb välja selline:

Samuti ära alahinda kultuuri. Kui keemikud tunnevad, et tehisintellekti neile peale surutakse, siis nad ignoreerivad seda. Kui see säästab nende aega ja austab nende asjatundlikkust, siis nad võtavad selle kiiresti omaks. Inimesed on sellised naljakad 🙂.

Milline on generatiivse tehisintellekti roll ravimite avastamisel, kui suumida välja? 🔭

Välja vaadates ei ole roll mitte „teadlaste asendamine“, vaid „teadusliku ulatuse laiendamine“. Loodus 2023 (ligandi avastamise ülevaade)

See aitab meeskondi:

  • uurige nädalas rohkem hüpoteese

  • esitage tsükli kohta rohkem kandidaatstruktuure

  • katsete arukamat tähtsuse järjekorda seadmist

  • tihendada iteratsioonitsükleid disaini ja testi vahel

  • jagada teadmisi silode vahel Mustrid 2025 (LLM-id ravimite avastamises)

Ja võib-olla kõige alahinnatum osa: see aitab teil mitte raisata kallist inimlikku loovust korduvatele ülesannetele. Inimesed peaksid mõtlema mehhanismile, strateegiale ja tõlgendamisele - mitte veetma päevi käsitsi variantide loendite genereerimisega. Nature 2023 (ligandi avastamise ülevaade).

Seega jah, generatiivse tehisintellekti roll ravimite avastamisel on kiirendi, generaatori, filtri ja mõnikord ka pahategija roll. Aga väärtuslik.

Lõppkokkuvõte 🧾✅

Generatiivsest tehisintellektist on saamas tänapäeva ravimite avastamise põhivõime, kuna see suudab genereerida molekule, hüpoteese, järjestusi ja marsruute kiiremini kui inimesed – ning see aitab meeskondadel valida paremaid eksperimente. Ravimite avastamise piirid 2024. aasta ülevaade Nature 2023 (ligandi avastamise ülevaade).

Kokkuvõtte täpploendid:

Kui sa kohtled seda kui kaastöötajat – mitte oraakli –, saab see programme tõeliselt edasi viia. Ja kui sa kohtled seda kui oraaklit... noh, võid sa selle GPS-i järgi jälle järve sattuda. 🚗🌊

KKK

Milline on generatiivse tehisintellekti roll ravimite avastamises?

Generatiivne tehisintellekt laiendab peamiselt ideede lehtrit varajases avastamises ja müügivihjete optimeerimises, pakkudes välja kandidaatmolekule, valgujärjestusi, sünteesiteid ja bioloogilisi hüpoteese. Selle väärtus seisneb vähem „katsete asendamises“ ja pigem „paremate katsete valimises“, genereerides palju valikuid ja seejärel põhjalikult filtreerides. See toimib kõige paremini kiirendajana distsiplineeritud töövoo sees, mitte iseseisva otsustajana.

Kus toimib generatiivne tehisintellekt ravimite avastamise protsessis kõige paremini?

See kipub pakkuma kõige rohkem väärtust olukordades, kus hüpoteesiruum on suur ja iteratsioon kulukas, näiteks tabamuste tuvastamine, de novo disain ja müügivihjete optimeerimine. Meeskonnad kasutavad seda ka ADMET-triaažiks, retrosünteesi ettepanekuteks ning kirjanduse või hüpoteeside toetamiseks. Suurim kasu tuleb tavaliselt genereerimise integreerimisest filtrite, hindamise ja inimese poolt läbivaatamise abil, selle asemel, et eeldada, et üks mudel on „nutikas“

Kuidas seada piiranguid, et generatiivsed mudelid ei toodaks kasutuid molekule?

Praktiline lähenemisviis on enne genereerimist määratleda piirangud: omaduste vahemikud (näiteks lahustuvus või logP sihtmärgid), karkassi- või alamstruktuuri reeglid, seondumiskoha omadused ja uudsuse piirid. Seejärel jõustage meditsiinilise keemia filtrid (sh PAINS/reaktiivsed rühmad) ja sünteesitavuse kontrollid. Piirangutel põhinev genereerimine on eriti kasulik difusioonipõhise molekulaarse disaini ja raamistike, näiteks REINVENT 4, puhul, kus saab kodeerida mitme eesmärgiga eesmärke.

Kuidas peaksid meeskonnad GenAI väljundeid valideerima, et vältida hallutsinatsioone ja liigset enesekindlust?

Käsitle iga väljundit hüpoteesina, mitte järeldusena, ning valideeri seda analüüside ja ortogonaalsete mudelitega. Kasuta paaride genereerimiseks agressiivset filtreerimist, dokkimist või hindamist vastavalt vajadusele ning QSAR-stiilis ennustajate rakenduspiirkonna kontrolli. Tee ebakindlus võimaluse korral nähtavaks, sest mudelid võivad levikust väljaspool oleva keemia või ebakindlate bioloogiliste väidete osas enesestmõistetavalt eksida. Inimese kaasamine läbivaatamisse jääb peamiseks ohutusfunktsiooniks.

Kuidas saate vältida andmete lekkimist, intellektuaalomandi riski ja "mälle õpitud" väljundeid?

Kasutage haldus- ja juurdepääsukontrolle, et tundlikke programmi üksikasju ei lisataks juhuslikult küsimustele, ja logige küsimused/väljundid auditeeritavuse tagamiseks. Rakendage uudsuse ja sarnasuse kontrolle, et loodud kandidaadid ei asuks liiga lähedal tuntud ühenditele või kaitstud piirkondadele. Pidage kinni selgetest reeglitest selle kohta, millised andmed on välistes süsteemides lubatud, ja eelistage kontrollitud keskkondi tundliku töö jaoks. Inimlik ülevaade aitab varakult tuvastada „liiga tuttavaid“ ettepanekuid.

Kuidas kasutatakse generatiivset tehisintellekti müügivihjete optimeerimiseks ja mitme parameetri häälestamiseks?

Müügivihjete optimeerimisel on generatiivne tehisintellekt väärtuslik, kuna see suudab pakkuda mitu kompromisslahendust ühe „täiusliku“ ühendi tagaajamise asemel. Levinud töövoogude hulka kuuluvad analoogide soovitamine, juhitud asenduste skaneerimine ja karkassilt hüppamine, kui tugevuse, toksilisuse või IP-piirangud takistavad edasiminekut. Omaduste ennustajad võivad olla haprad, seega meeskonnad järjestavad kandidaate tavaliselt mitme mudeli abil ja kinnitavad seejärel parimad valikud eksperimentaalselt.

Kas generatiivne tehisintellekt saab aidata ka bioloogiliste ravimite ja valgutehnoloogiaga?

Jah – meeskonnad kasutavad seda antikehade järjestuse genereerimiseks, afiinsusküpsemise ideede väljatöötamiseks, stabiilsuse parandamiseks ning ensüümide või peptiidide uurimiseks. Valkude/järjestuste genereerimine võib tunduda usutav, kuid mitte arendatav, seega on oluline rakendada arendatavuse, immunogeensuse ja valmistatavuse filtreid. Struktuurivahendid, näiteks AlphaFold, saavad küll arutluskäiku toetada, kuid „usutav struktuur” ei ole ikkagi ekspressiooni, funktsiooni ega ohutuse tõend. Märglabori tsüklid on endiselt olulised.

Kuidas toetab generatiivne tehisintellekt sünteesi planeerimist ja retrosünteesi?

Retrosünteesi planeerijad saavad ideede genereerimise kiirendamiseks ja ebapraktiliste lahenduste kiireks välistamiseks soovitada marsruute, lähtematerjale ja marsruutide järjestust. Sellised tööriistad ja lähenemisviisid nagu AiZynthFinderi stiilis planeerimine on kõige tõhusamad koos keemikute teostatavuskontrollidega reaalsetes oludes. Kättesaadavus, ohutus, mastaabipiirangud ja praktikas ebaõnnestunud „paberireaktsioonid“ nõuavad endiselt inimese otsustusvõimet. Sel viisil kasutatuna säästab see aega ilma teesklemata, et keemia on lahendatud.

Viited

  1. Loodus - Ligandide avastamise ülevaade (2023) - nature.com

  2. Looduse biotehnoloogia - GENTRL (2019) - nature.com

  3. Loodus - AlphaFold (2021) - nature.com

  4. Loodus - RFdifusioon (2023) - nature.com

  5. Looduse biotehnoloogia - valgugeneraator (2024) - nature.com

  6. Nature Communications - Partiiefektid rakkude pildistamisel (2024) - nature.com

  7. npj digitaalne meditsiin - hallutsinatsioonid + ohutusraamistik (2025) - nature.com

  8. npj Digitaalne meditsiin - multimodaalne biotehnoloogias (2025) - nature.com

  9. Teadus - ProteinMPNN (2022) - science.org

  10. Rakumustrid - LLM-id ravimite väljatöötamises (2025) - cell.com

  11. ScienceDirect (Elsevier) - Generatiivsed mudelid de novo ravimite disainis (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): uudsuse/ainulaadsuse probleemid - sciencedirect.com

  13. Meditsiinilise pildi analüüs (ScienceDirect) - multimodaalne tehisintellekt meditsiinis (2025) - sciencedirect.com

  14. PubMed Central - Arstide juhend (hallutsinatsioonide risk) - nih.gov

  15. Keemiauuringute aruanded (ACS Publications) - Chemical space (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): keemilise ruumi skaala - nih.gov

  17. Ravimite avastamise piirid (PubMed Central) - ülevaade (2024) - nih.gov

  18. Keemilise teabe ja modelleerimise ajakiri (ACS Publications) - Difusioonimudelid de novo ravimite disainis (2024) - acs.org

  19. PubMed Central - REINVENT 4 (avatud raamistik) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (varajane ADMET on oluline) - nih.gov

  21. OECD – (Q)SAR-mudelite regulatiivsetel eesmärkidel valideerimise põhimõtted – oecd.org

  22. OECD – (Q)SAR-mudelite valideerimise juhenddokument – ​​oecd.org

  23. Keemiauuringute aruanded (ACS Publications) - Arvutipõhine sünteesi planeerimine / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Arvuti abil retrosüntees (Coley, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Lipinski: 5. konteksti reegel - nih.gov

  27. Meditsiinilise keemia ajakiri (ACS Publications) - Baell & Holloway (2010): VALUD - acs.org

  28. PubMed - Waring (2015): kulumine - nih.gov

  29. PubMed - Rives (2021): valgu keele mudelid - nih.gov

  30. PubMed Central - Leek jt (2010): partiiefektid - nih.gov

  31. PubMed Central - Diffusioni ülevaade (2025) - nih.gov

  32. FDA - E14 ja S7B: QT/QTc-intervalli pikenemise ja proarütmia potentsiaali kliiniline ja mittekliiniline hindamine (küsimused ja vastused) - fda.gov

  33. Euroopa Ravimiamet – ICH suunise E14/S7B ülevaade – europa.eu

  34. USENIX - Carlini jt (2021): treeningandmete ekstraheerimine keelemudelitest - usenix.org

  35. Edinburghi Ülikool – Digitaalsed uurimisteenused – Elektroonilise laborivihiku (ELN) ressurss – ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): QSAR-i rakendusvaldkond - sciencedirect.com

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist

Tagasi blogisse