Koks generatyvinio dirbtinio intelekto vaidmuo vaistų atradime?

Koks generatyvinio dirbtinio intelekto vaidmuo vaistų atradime?

Trumpas atsakymas: generatyvinis dirbtinis intelektas (DI) daugiausia spartina ankstyvąjį vaistų atradimą, generuodamas kandidatų molekules arba baltymų sekas, siūlydamas sintezės būdus ir iškeldamas patikrinamas hipotezes, todėl komandos gali atlikti mažiau „aklų“ eksperimentų. Jis veikia geriausiai, kai taikomi griežti apribojimai ir patvirtinami rezultatai; traktuojamas kaip orakulas, jis gali užtikrintai suklaidinti.

Svarbiausios išvados:

Spartinimas : naudokite „GenAI“, kad išplėstumėte idėjų generavimą, o tada susiaurintumėte jį naudodami griežtą filtravimą.

Apribojimai : Prieš generavimą reikalauti ypatybių diapazonų, pastolių taisyklių ir naujumo ribų.

Patvirtinimas : rezultatus traktuokite kaip hipotezes; patvirtinkite tyrimais ir ortogonaliais modeliais.

Atsekamumas : registruokite raginimus, rezultatus ir pagrindimą, kad sprendimus būtų galima audituoti ir peržiūrėti.

Apsauga nuo piktnaudžiavimo : užkirskite kelią informacijos nutekėjimui ir pernelyg dideliam pasitikėjimui savimi, taikydami valdymą, prieigos kontrolę ir žmonių atliekamą peržiūrą.

Koks generatyvinio dirbtinio intelekto vaidmuo vaistų atradime? Infografika

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Dirbtinio intelekto vaidmuo sveikatos priežiūros srityje
Kaip dirbtinis intelektas pagerina diagnostiką, darbo eigą, pacientų priežiūrą ir rezultatus.

🔗 Ar dirbtinis intelektas pakeis radiologus?
Nagrinėjama, kaip automatizavimas papildo radiologiją ir kas išlieka žmogiška.

🔗 Ar dirbtinis intelektas pakeis gydytojus?
Sąžiningas žvilgsnis į dirbtinio intelekto poveikį gydytojų darbui ir praktikai.

🔗 Geriausi dirbtinio intelekto laboratorijos įrankiai moksliniams atradimams
Geriausi dirbtinio intelekto laboratorijos įrankiai, skirti paspartinti eksperimentus, analizę ir atradimus.

Generatyvaus dirbtinio intelekto vaidmuo vaistų atradime – vienu įkvėpimu 😮💨

Generatyvusis dirbtinis intelektas padeda vaistų komandoms kurti kandidates į molekules, numatyti savybes, siūlyti modifikacijas, siūlyti sintezės būdus, tyrinėti biologines hipotezes ir sutrumpinti iteracijos ciklus, ypač ankstyvojo atradimo ir potencialių vaistų optimizavimo srityse. „Nature 2023“ (ligandų atradimo apžvalga), „Elsevier 2024“ apžvalga (generatyvūs modeliai kuriant de novo vaistus).

Ir taip, jis taip pat gali užtikrintai generuoti nesąmones. Tai yra susitarimo dalis. Kaip labai entuziastingas praktikantas su raketiniu varikliu. Klinikų vadovas (haliucinacijų rizika) npj Skaitmeninė medicina 2025 (haliucinacijos + saugos sistema)

Kodėl tai svarbiau, nei žmonės pripažįsta 💥

Didelė dalis atradimų darbo yra „paieška“. Ieškoti cheminės erdvės, ieškoti biologijos, ieškoti literatūros, ieškoti struktūros ir funkcijos ryšių. Problema ta, kad cheminė erdvė yra... iš esmės begalinė. „ Accounts of Chemical Research“ 2015 (cheminė erdvė) Irwin ir Shoichet 2009 (cheminės erdvės mastelis).

Galėtumėte praleisti kelis gyvenimus tiesiog bandydami „protingus“ variantus.

Generatyvusis dirbtinis intelektas keičia darbo eigą iš:

  • „Pabandykime, ką galime sugalvoti“

į:

  • „Sukurkime didesnį, išmanesnį variantų rinkinį, o tada išbandykime geriausius.“

Kalbama ne apie eksperimentų pašalinimą. Kalbama apie geresnių eksperimentų pasirinkimą . 🧠 „Nature 2023“ (ligandų atradimų apžvalga).

Be to, ir tai yra nepakankamai aptariama, tai padeda komandoms bendrauti tarp skirtingų disciplinų . Chemikai, biologai, DMPK žmonės, skaičiavimo mokslininkai... visi turi skirtingus mentalinius modelius. Gera generatyvinė sistema gali pasitarnauti kaip bendras eskizų bloknotas. „Frontiers in Drug Discovery 2024“ apžvalga.

Kas daro generatyvinį dirbtinį intelektą gerą vaistų atradimui? ✅

Ne visas generatyvinis dirbtinis intelektas yra vienodas. „Gera“ šios srities versija mažiau susijusi su prašmatniomis demonstracijomis ir labiau su neseksualiu patikimumu (neseksualumas čia yra dorybė). „Nature 2023“ (ligandų atradimo apžvalga).

Gera generatyvinio dirbtinio intelekto sistema paprastai turi:

Jei jūsų generatyvinis dirbtinis intelektas negali susidoroti su apribojimais, jis iš esmės yra naujumo generatorius. Smagu vakarėliuose. Mažiau smagu narkotikų programoje.

Kur generatyvinis dirbtinis intelektas tinka vaistų kūrimo procesui 🧭

Štai paprastas mentalinis žemėlapis. Generatyvusis dirbtinis intelektas gali prisidėti prie beveik kiekvieno etapo, tačiau geriausiai jis veikia ten, kur iteracija yra brangi, o hipotezių erdvė yra didelė. „Nature 2023“ (ligandų atradimo apžvalga).

Dažni sąlyčio taškai:

Daugelyje programų didžiausi laimėjimai gaunami integruojant darbo eigą , o ne dėl to, kad vienas modelis yra „genialus“. Modelis yra variklis, o vamzdynas – automobilis. „Nature 2023“ (ligandų atradimo apžvalga).

Palyginimo lentelė: populiarūs generatyvinio dirbtinio intelekto metodai, naudojami vaistų atradime 📊

Šiek tiek netobulas stalas, nes tikras gyvenimas yra šiek tiek netobulas.

Įrankis / metodas Geriausia (auditorijai) Brangūs Kodėl tai veikia (ir kada neveikia)
De novo molekulių generatoriai (SMILES, grafikai) Medicininė chemija + kombinuota chemija $$-$$$ Puikiai tinka greitai tyrinėti naujus analogus 😎, bet gali atskleisti ir nestabilius neatitikimus. REIŠKINTI 4 GENTRL (Nature Biotech 2019).
Baltymų / struktūros generatoriai Biologų komandos, struktūrinė biologija $$$ Padeda siūlyti sekas + struktūras, bet „atrodo tikėtinai“ nereiškia, kad „veikia“. „AlphaFold“ („Nature 2021“) „RFdiffusion“ („Nature 2023“).
Difuzijos stiliaus molekulinis dizainas Pažangios mašininio mokymosi komandos $$-$$$$ Stiprus apribojimų sąlygojimo ir įvairovės srityje – sąranka gali būti… visas dalykas. JCIM 2024 (difuzijos modeliai). PMC 2025 difuzijos apžvalga.
Savybių prognozavimo antriniai pilotai (QSAR + GenAI derinys) DMPK, projektų komandos $$ Tinka triažui ir reitingavimui – blogai, jei laikoma absoliučiai absoliučia tiesa 😬 OECD (taikymo sritis) ADMETlab 2.0
Retrosintezės planuotojai Proceso chemija, CMC $$-$$$ Pagreitina maršruto idėjų generavimą – vis dar reikia žmonių, kad būtų užtikrintas įgyvendinamumas ir saugumas. „AiZynthFinder“ 2020 m., „Coley“ 2018 m. (CASP).
Multimodaliniai laboratoriniai kopilotai (tekstas + tyrimo duomenys) Vertimo komandos $$$ Naudinga signalams ištraukti iš duomenų rinkinių – linkę į pernelyg didelį pasitikėjimą savimi, jei duomenys yra nelygūs. „Nature 2024“ (paketinis poveikis ląstelių vaizdavime), „npj Digital Medicine 2025“ (multimodalinis biotechnologijose).
Literatūros ir hipotezių asistentai Visi, praktiškai $ Labai sutrumpina skaitymo laiką, bet haliucinacijos gali būti nepatogios, tarsi dingstančios kojinės. 2025 m. modeliai (LLMs vaistų kūrimo srityje). Klinikų vadovas (haliucinacijos).
Individualūs vidiniai pamatų modeliai Didelės farmacijos įmonės, gerai finansuojamos biotechnologijų įmonės $$$$ Geriausia kontrolė + integracija – taip pat brangu ir lėtai kuriama (atsiprašau, tiesa) „Frontiers in Drug Discovery 2024“ apžvalga

Pastabos: kainos labai skiriasi priklausomai nuo masto, skaičiavimo pajėgumų, licencijavimo ir to, ar jūsų komanda nori „prijunk ir naudokis“ tipo sistemos, ar „statykime erdvėlaivį“

Išsamesnis žvilgsnis: generatyvinis dirbtinis intelektas pataikymams aptikti ir de novo dizainui 🧩

Tai yra pagrindinis naudojimo atvejis: sukurti kandidatų molekules nuo nulio (arba iš karkaso), kurios atitiktų tikslinį profilį. „Nature Biotechnology“ 2019 (GENTRL) REINVENT 4

Kaip tai paprastai veikia praktikoje:

  1. Apibrėžkite apribojimus

  2. Generuoti kandidatus

  3. Filtruokite agresyviai

  4. Pasirinkite nedidelį rinkinį sintezei

    • žmonės vis dar renkasi, nes kartais užuodžia nesąmones

Nejauki tiesa: vertė slypi ne tik „naujose molekulėse“. Tai naujos molekulės, kurios atitinka jūsų programos apribojimus . Paskutinė dalis yra viskas. „Nature 2023“ (ligandų atradimo apžvalga).

Be to, šiek tiek perdėta: kai viskas gerai atlikta, gali atrodyti, kad pasamdei nenuilstamų jaunesniųjų chemikų komandą, kurie niekada nemiega ir nesiskundžia. Kita vertus, jie taip pat nesupranta, kodėl konkreti apsaugos strategija yra košmaras, tad... pusiausvyra 😅.

Išsamesnis žvilgsnis: potencialių klientų optimizavimas naudojant generatyvinį dirbtinį intelektą (daugiaparametrį derinimą) 🎛️

Potencialių klientų optimizavimas yra ta vieta, kur svajonės tampa sudėtingos.

Jūs norite:

  • potencija padidėja

  • selektyvumas padidėjo

  • medžiagų apykaitos stabilumas padidėja

  • tirpumas aukštyn

  • saugos signalai išjungti

  • pralaidumas „kaip tik tinkamas“

  • IR vis dar būti sintetinamas

Tai klasikinis daugiakriteris optimizavimas. Generatyvusis dirbtinis intelektas neįprastai gerai siūlo rinkinį , o ne apsimeta, kad yra vienas tobulas junginys. REINVENT 4 Elsevier 2024 apžvalga (generatyviniai modeliai).

Praktiniai būdai, kaip komandos tai naudoja:

  • Analogiškas pasiūlymas : „Sukurkite 30 variantų, kurie sumažintų klirensą, bet išlaikytų stiprumą“

  • Pakaitinis skenavimas : valdomas tyrinėjimas vietoj grubios jėgos išvardijimo

  • Šuoliavimas per pastolius : kai šerdis atsitrenkia į sieną (toksiškumas, IP arba stabilumas)

  • Paaiškinimo pobūdžio pasiūlymai : „Ši polinė grupė gali padėti tirpumui, bet gali pakenkti pralaidumui“ (ne visada teisinga, bet naudinga)

Vienas įspėjimas: savybių prognozavimo priemonės gali būti trapios. Jei jūsų mokymo duomenys neatitinka jūsų cheminės serijos, modelis gali būti užtikrintai klaidingas. Labai klaidingas. Ir jis tikrai nepabosta. OECD QSAR patvirtinimo principai (taikymo sritis) Weaver 2008 (QSAR taikymo sritis).

Atidžiau pažvelgus: ADMET, toksiškumas ir patikra „prašau, nenutraukite programos“ 🧯

ADMET yra sritis, kurioje daugelis kandidatų tyliai patiria nesėkmę. Generatyvusis dirbtinis intelektas neišsprendžia biologijos problemų, tačiau gali sumažinti išvengiamų klaidų skaičių. ADMETlab 2.0, paskelbta 2015 m. (išnykimas).

Įprasti vaidmenys:

  • metabolinių problemų prognozavimas (metabolizmo vietos, klirenso tendencijos)

  • tikėtinų toksiškumo motyvų žymėjimas (įspėjimai, reaktyviųjų tarpinių produktų pakaitalai)

  • tirpumo ir pralaidumo diapazonų įvertinimas

  • siūlomi pakeitimai, siekiant sumažinti hERG riziką arba pagerinti stabilumą 🧪 FDA (ICH E14/S7B klausimai ir atsakymai) EMA (ICH E14/S7B apžvalga)

Veiksmingiausias modelis paprastai atrodo taip: naudokite „GenAI“, kad pasiūlytumėte galimybes, bet naudokite specializuotus modelius ir eksperimentus, kad patikrintumėte.

Generatyvusis dirbtinis intelektas yra idėjų variklis. Patvirtinimas vis dar gyvuoja analizėse.

Išsamesnis žvilgsnis: generatyvinis dirbtinis intelektas biologiniams preparatams ir baltymų inžinerijai 🧬✨

Vaistų kūrimas neapsiriboja vien mažomis molekulėmis. Generatyvus dirbtinis intelektas taip pat naudojamas:

Baltymų ir sekų generavimas gali būti galingas, nes sekų „kalba“ stebėtinai gerai atitinka mašininio mokymosi metodus. Tačiau štai atsitiktinė klaida: ji gerai atitinka... kol nustoja. Nes imunogeniškumas, raiška, glikozilinimo modeliai ir vystymo apribojimai gali būti negailestingi. AlphaFold („Nature 2021“) ProteinGenerator („Nat Biotech 2024“)

Taigi, geriausi nustatymai apima:

  • vystymo filtrai

  • imunogeniškumo rizikos vertinimas

  • gaminamumo apribojimai

  • šlapios laboratorijos kilpos greitam iteravimui 🧫

Jei praleisite juos, gausite nuostabią seką, kuri elgiasi kaip diva gamybos metu.

Atidžiau pažvelgus: Sintezės planavimas ir retrosintezės pasiūlymai 🧰

Generatyvusis dirbtinis intelektas taip pat slapta skverbiasi į chemijos operacijas, ne tik į molekulių idėjų generavimą.

Retrosintezės planuotojai gali:

  • pasiūlyti būdus, kaip pasiekti tikslinį junginį

  • siūlykite komerciškai prieinamas pradines medžiagas

  • reitinguoti maršrutus pagal žingsnių skaičių arba suvokiamą įgyvendinamumą

  • padėti chemikams greitai atmesti „mielas, bet neįmanomas“ idėjas. „AiZynthFinder 2020 Coley 2018“ (CASP)

Tai gali sutaupyti realaus laiko, ypač kai tyrinėjate daug galimų struktūrų. Vis dėlto žmonės čia labai svarbūs, nes:

  • reagentų prieinamumo pokyčiai

  • Saugumo ir masto problemos yra realios

  • Kai kurie žingsniai popieriuje atrodo gerai, bet nuolat nepavyksta

Ne visai tobula metafora, bet vis tiek ją panaudosiu: retrosintezė. Dirbtinis intelektas yra kaip GPS, kuris dažniausiai veikia teisingai, išskyrus tai, kad kartais jis nukreipia jus per ežerą ir tvirtina, kad tai yra trumpesnis kelias. 🚗🌊 Coley 2017 (kompiuteriu paremta retrosintezė)

Duomenys, multimodaliniai modeliai ir nusėta laboratorijų realybė 🧾🧪

Generatyvusis dirbtinis intelektas mėgsta duomenis. Laboratorijos kuria duomenis. Teoriškai tai skamba paprastai.

Cha. Ne.

Tikrieji laboratoriniai duomenys yra šie:

Multimodalinės generatyvinės sistemos gali derinti:

Kai tai veikia, tai nuostabu. Galite atskleisti neakivaizdžius modelius ir pasiūlyti eksperimentus, kurių vienas specialistas galėtų nepastebėti.

Kai nepavyksta, nepavyksta tyliai. Jis neužtrenkia durų. Jis tiesiog stumia jus link užtikrintos klaidingos išvados. Štai kodėl valdymas, patvirtinimas ir srities peržiūra nėra neprivalomi. Gydytojų vadovas (haliucinacijos) npj Skaitmeninė medicina 2025 (haliucinacijos + saugos sistema)

Rizika, apribojimai ir skyrius „neapsigaukite dėl sklandaus išvesties“ ⚠️

Jei prisimenate tik vieną dalyką, atminkite štai ką: generatyvinis dirbtinis intelektas yra įtikinamas. Jis gali skambėti teisingai, bet kartu ir klysti. Gydytojo vadovas (haliucinacijos).

Pagrindinės rizikos:

Praktiškai naudingi švelninimo būdai:

  • išlaikyti žmones sprendimų priėmimo rate

  • žurnalų užklausos ir išvestys atsekamumui

  • patvirtinti ortogonaliais metodais (tyrimais, alternatyviais modeliais)

  • automatiškai taikyti apribojimus ir filtrus

  • rezultatus traktuokite kaip hipotezes, o ne tiesos lenteles OECD QSAR gairėse

Generatyvusis dirbtinis intelektas yra elektrinis įrankis. Elektriniai įrankiai nepadaro jūsų staliumi... jie tiesiog greičiau daro klaidas, jei nežinote, ką darote.

Kaip komandos pritaiko generatyvinį dirbtinį intelektą be chaoso 🧩🛠️

Komandos dažnai nori tai naudoti nepaversdamos organizacijos mokslo muge. Praktinis diegimo kelias atrodo taip:

Taip pat nenuvertinkite kultūros. Jei chemikai pajus, kad jiems brukama dirbtinio intelekto pagalba, jie tai ignoruos. Jei tai sutaupys jiems laiko ir gerbs jų patirtį, jie greitai tai pritaikys. Žmonės tokie juokingi 🙂.

Koks generatyvinio dirbtinio intelekto vaidmuo vaistų atradime, kai vaizdas atitolinamas? 🔭

Atitraukus vaizdą, vaidmuo nėra „pakeisti mokslininkus“. Tai „išplėsti mokslinį spektrą“. „ Nature 2023“ (ligandų atradimo apžvalga).

Tai padeda komandoms:

  • ištirti daugiau hipotezių per savaitę

  • siūlyti daugiau kandidatų struktūrų per ciklą

  • protingiau prioritetus nustatyti eksperimentams

  • suspausti iteracijos ciklus tarp projektavimo ir testavimo

  • dalytis žiniomis tarp silosų. „Patterns 2025“ (LLMs vaistų kūrimo srityje)

Ir galbūt labiausiai neįvertinta dalis: tai padeda nešvaistyti brangaus žmogaus kūrybiškumo pasikartojančioms užduotims. Žmonės turėtų galvoti apie mechanizmą, strategiją ir interpretaciją, o ne leisti dienas rankiniu būdu kurdami variantų sąrašus. „Nature 2023“ (ligandų atradimo apžvalga).

Taigi, taip, generatyvinio dirbtinio intelekto vaidmuo vaistų atradime yra greitintuvas, generatorius, filtras, o kartais ir problemų sukėlėjas. Tačiau vertingas.

Baigiamoji santrauka 🧾✅

Generatyvusis dirbtinis intelektas tampa pagrindine šiuolaikinio vaistų atradimo galimybe, nes jis gali generuoti molekules, hipotezes, sekas ir maršrutus greičiau nei žmonės – ir gali padėti komandoms pasirinkti geresnius eksperimentus. Vaistų atradimo ribos 2024 m. apžvalga „Nature 2023“ (ligandų atradimo apžvalga).

Santraukos punktai:

Jei elgsitės su juo kaip su bendradarbiu, o ne su orakulu, jis gali iš tiesų skatinti programas. O jei elgsitės su juo kaip su orakulu... na, galiausiai vėl galite sekti tuo GPS ir patekti į ežerą. 🚗🌊

DUK

Koks generatyvinio dirbtinio intelekto vaidmuo vaistų atradime?

Generatyvusis dirbtinis intelektas pirmiausia praplečia idėjų srautą ankstyvojo atradimo ir potencialių ...

Kur generatyvinis dirbtinis intelektas vaistų kūrimo procese veikia geriausiai?

Jis dažniausiai suteikia daugiausiai vertės ten, kur hipotezių erdvė yra didelė, o iteracija yra brangi, pavyzdžiui, atitikmenų identifikavimui, de novo dizainui ir potencialių klientų optimizavimui. Komandos jį taip pat naudoja ADMET triažui, retrosintezės pasiūlymams ir literatūros ar hipotezių pagrindimui. Didžiausia nauda paprastai gaunama integruojant generavimą su filtrais, vertinimu ir žmonių peržiūra, o ne tikintis, kad vienas modelis bus „protingas“

Kaip nustatyti apribojimus, kad generatyviniai modeliai nesukurtų nenaudingų molekulių?

Praktinis būdas yra apibrėžti apribojimus prieš generavimą: savybių diapazonus (pvz., tirpumo ar logP taikinius), karkaso ar substruktūros taisykles, prisijungimo vietos ypatybes ir naujumo ribas. Tada taikyti medicininės chemijos filtrus (įskaitant PAINS / reaktyviąsias grupes) ir sintetinamumo patikrinimus. Apribojimų generavimas pirmiausia yra ypač naudingas naudojant difuzijos stiliaus molekulinį dizainą ir sistemas, tokias kaip REINVENT 4, kur galima užkoduoti daugiatikslius tikslus.

Kaip komandos turėtų patvirtinti „GenAI“ rezultatus, kad išvengtų haliucinacijų ir pernelyg didelio pasitikėjimo savimi?

Kiekvieną rezultatą traktuokite kaip hipotezę, o ne išvadą, ir patvirtinkite taikydami tyrimus ir ortogonalius modelius. Porų generavimas atliekamas su agresyviu filtravimu, prijungimu arba vertinimu, jei reikia, ir taikomosios srities patikrinimais QSAR stiliaus prognozuojantiems veiksniams. Kai tik įmanoma, pasirūpinkite, kad neapibrėžtumas būtų matomas, nes modeliai gali būti visiškai klaidingi dėl cheminių medžiagų, kurios nėra platinamos, arba dėl abejotinų biologinių teiginių. Žmogaus dalyvavimas peržiūroje išlieka pagrindine saugos funkcija.

Kaip galite išvengti duomenų nutekėjimo, intelektinės nuosavybės rizikos ir „įsimintų“ rezultatų?

Naudokite valdymo ir prieigos kontrolės priemones, kad jautrios programos detalės nebūtų atsitiktinai įtraukiamos į raginimus, ir registruokite raginimus/išvestis auditavimo tikslais. Užtikrinkite naujumo ir panašumo patikrinimus, kad sugeneruoti kandidatai nebūtų per arti žinomų junginių ar saugomų sričių. Laikykitės aiškių taisyklių, kokie duomenys leidžiami išorinėse sistemose, ir rinkitės kontroliuojamą aplinką darbui su dideliu jautrumu. Žmonių atliekama peržiūra padeda anksti pastebėti „pernelyg pažįstamus“ pasiūlymus.

Kaip generatyvinis dirbtinis intelektas naudojamas potencialių klientų optimizavimui ir daugiaparametriam derinimui?

Optimizuojant potencialius klientus, generatyvinis dirbtinis intelektas yra vertingas, nes jis gali pasiūlyti kelis kompromisinius sprendimus, užuot vaikiusis vieno „tobulo“ junginio. Įprasti darbo eigos būdai apima analoginių sprendimų siūlymą, valdomą pakaitų nuskaitymą ir pastolių perjungimą, kai stiprumo, toksiškumo ar IP apribojimai blokuoja progresą. Savybių prognozavimo priemonės gali būti trapios, todėl komandos paprastai reitinguoja kandidatus pagal kelis modelius, o tada eksperimentiškai patvirtina geriausius variantus.

Ar generatyvinis dirbtinis intelektas gali padėti ir biologinių preparatų bei baltymų inžinerijos srityse?

Taip – ​​komandos jį naudoja antikūnų sekų generavimui, afininio brandinimo idėjoms, stabilumo gerinimui ir fermentų ar peptidų tyrimams. Baltymų / sekų generavimas gali atrodyti tikėtinas, nors ir nėra vystytinas, todėl svarbu taikyti vystymo, imunogeniškumo ir gamybos filtrus. Struktūriniai įrankiai, tokie kaip „AlphaFold“, gali padėti samprotauti, tačiau „įtikima struktūra“ vis tiek nėra raiškos, funkcijos ar saugumo įrodymas. Šlapios laboratorijos ciklai išlieka būtini.

Kaip generatyvinis dirbtinis intelektas palaiko sintezės planavimą ir retrosintezę?

Retrosintezės planuotojai gali siūlyti maršrutus, pradines medžiagas ir maršrutų reitingus, kad pagreitintų idėjų generavimą ir greitai atmestų neįgyvendinamus kelius. Tokie įrankiai ir metodai kaip „AiZynthFinder“ stiliaus planavimas yra veiksmingiausi, kai derinami su chemikų atliekamais realaus pasaulio įgyvendinamumo patikrinimais. Prieinamumas, saugumas, mastelio didinimo apribojimai ir „popieriaus reakcijos“, kurios praktikoje nepasiteisina, vis tiek reikalauja žmogaus sprendimo. Taikant šį būdą, sutaupoma laiko neapsimetant, kad chemijos klausimas išspręstas.

Nuorodos

  1. Gamta – Ligandų atradimo apžvalga (2023 m.) – nature.com

  2. Gamtos biotechnologija - GENTRL (2019) - nature.com

  3. Gamta – AlphaFold (2021) – nature.com

  4. Gamta - RF difuzija (2023) - nature.com

  5. Gamtos biotechnologija – baltymų generatorius (2024 m.) – nature.com

  6. „Nature Communications“ – partijos efektai ląstelių vaizdavime (2024 m.) – nature.com

  7. npj skaitmeninė medicina – haliucinacijos + saugos sistema (2025 m.) – nature.com

  8. npj Skaitmeninė medicina – multimodalinis biotechnologijų sektorius (2025 m.) – nature.com

  9. Mokslas – ProteinMPNN (2022 m.) – science.org

  10. Ląstelių struktūros – vaistų kūrimo teisės magistro laipsnis (2025 m.) – cell.com

  11. „ScienceDirect“ („Elsevier“) – Generatyviniai modeliai kuriant de novo vaistus (2024 m.) – sciencedirect.com

  12. „ScienceDirect“ (Elsevier) – Vogt (2023): naujumo / unikalumo problemos – sciencedirect.com

  13. Medicininių vaizdų analizė („ScienceDirect“) – multimodalinis dirbtinis intelektas medicinoje (2025 m.) – sciencedirect.com

  14. „PubMed Central“ – Klinikų vadovas (haliucinacijų rizika) – nih.gov

  15. Cheminių tyrimų ataskaitos (ACS leidiniai) - Cheminė erdvė (2015 m.) - acs.org

  16. „PubMed Central“ – Irwin ir Shoichet (2009): cheminės erdvės mastelis – nih.gov

  17. „Frontiers in Drug Discovery“ (PubMed Central) – apžvalga (2024 m.) – nih.gov

  18. Cheminės informacijos ir modeliavimo žurnalas (ACS Publications) - Difuzijos modeliai kuriant de novo vaistus (2024) - acs.org

  19. „PubMed Central“ – REINVENT 4 (atviroji sistema) – nih.gov

  20. „PubMed Central“ – ADMETlab 2.0 (ankstyvasis ADMET svarbus) – nih.gov

  21. OECD – (Q)SAR modelių patvirtinimo reguliavimo tikslais principai – oecd.org

  22. OECD – (Q)SAR modelių patvirtinimo gairės – oecd.org

  23. Cheminių tyrimų ataskaitos (ACS leidiniai) - Kompiuterinis sintezės planavimas / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) – Kompiuteriu paremta retrosintezė (Coley, 2017) – acs.org

  25. „PubMed Central“ – „AiZynthFinder“ (2020 m.) – nih.gov

  26. PubMed – Lipinski: 5 konteksto taisyklė – nih.gov

  27. Medicininės chemijos žurnalas (ACS Publications) - Baell ir Holloway (2010): PAINS - acs.org

  28. „PubMed“ – Waring (2015): iškritimas – nih.gov

  29. „PubMed“ – „Rives“ (2021 m.): baltymų kalbos modeliai – nih.gov

  30. „PubMed Central“ – Leek ir kt. (2010): partijos efektai – nih.gov

  31. „PubMed Central“ – „Diffusion“ apžvalga (2025 m.) – nih.gov

  32. FDA – E14 ir S7B: klinikinis ir neklinikinis QT/QTc intervalo pailgėjimo ir proaritminio potencialo įvertinimas (Klausimai ir atsakymai) – fda.gov

  33. Europos vaistų agentūra – ICH gairės E14/S7B apžvalga – europa.eu

  34. USENIX – Carlini ir kt. (2021): mokymo duomenų išgavimas iš kalbos modelių – usenix.org

  35. Edinburgo universitetas – Skaitmeninių tyrimų paslaugos – Elektroninio laboratorinio sąsiuvinio (ELN) išteklius – ed.ac.uk

  36. „ScienceDirect“ („Elsevier“) – „Weaver“ (2008 m.): QSAR taikymo sritis – sciencedirect.com

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus

Atgal į tinklaraštį