Apakah peranan AI generatif dalam Penemuan Ubat?

Apakah peranan AI Generatif dalam Penemuan Ubat?

Jawapan ringkas: AI generatif terutamanya mempercepatkan penemuan ubat awal dengan menjana molekul calon atau jujukan protein, mencadangkan laluan sintesis dan mengemukakan hipotesis yang boleh diuji, supaya pasukan boleh menjalankan lebih sedikit eksperimen "buta". Ia berfungsi dengan baik apabila anda menguatkuasakan kekangan keras dan mengesahkan output; jika dilayan seperti peramal, ia boleh mengelirukan dengan yakin.

Kesimpulan utama:

Pecutan : Gunakan GenAI untuk meluaskan penjanaan idea, kemudian perincikan dengan penapisan yang teliti.

Kekangan : Memerlukan julat sifat, peraturan perancah dan had kebaharuan sebelum penjanaan.

Pengesahan : Anggap output sebagai hipotesis; sahkan dengan ujian dan model ortogon.

Kebolehkesanan : Gesaan log, output dan rasional supaya keputusan kekal boleh diaudit dan disemak.

Rintangan penyalahgunaan : Cegah kebocoran dan keyakinan berlebihan dengan tadbir urus, kawalan akses dan semakan manusia.

Apakah peranan AI generatif dalam Penemuan Ubat? Infografik

Artikel yang mungkin anda ingin baca selepas ini:

🔗 Peranan AI dalam penjagaan kesihatan
Bagaimana AI meningkatkan diagnosis, aliran kerja, penjagaan pesakit dan hasil.

🔗 Adakah AI akan menggantikan ahli radiologi?
Meneroka bagaimana automasi menambah baik radiologi dan apa yang kekal sebagai manusia.

🔗 Adakah AI akan menggantikan doktor?
Pandangan jujur ​​tentang kesan AI terhadap pekerjaan dan amalan doktor.

🔗 Alat makmal AI terbaik untuk penemuan saintifik
Alat makmal AI terbaik untuk mempercepatkan eksperimen, analisis dan penemuan.

Peranan AI generatif dalam Penemuan Ubat, dalam satu nafas 😮💨

AI Generatif membantu pasukan ubat mencipta molekul calon, meramalkan sifat, mencadangkan pengubahsuaian, mencadangkan laluan sintesis, meneroka hipotesis biologi dan memampatkan kitaran lelaran - terutamanya dalam penemuan awal dan pengoptimuman petunjuk. Nature 2023 (ulasan penemuan ligan) Ulasan Elsevier 2024 (model generatif dalam reka bentuk ubat de novo)

Dan ya, ia juga boleh menghasilkan karut dengan yakin. Itu sebahagian daripada perjanjian itu. Seperti pelatih yang sangat bersemangat dengan enjin roket. Panduan doktor (risiko halusinasi) npj Perubatan Digital 2025 (halusinasi + rangka kerja keselamatan)

Mengapa ini lebih penting daripada yang diakui orang 💥

Banyak kerja penemuan adalah "pencarian." Ruang kimia carian, biologi carian, literatur carian, hubungan struktur-fungsi carian. Masalahnya ialah ruang kimia… pada dasarnya tidak terhingga. Akaun Penyelidikan Kimia 2015 (ruang kimia) Irwin & Shoichet 2009 (skala ruang kimia)

Anda boleh menghabiskan berbilang hayat hanya dengan mencuba variasi yang "munasabah".

AI Generatif mengubah aliran kerja daripada:

  • "Mari kita uji apa yang boleh kita fikirkan"

kepada:

  • "Mari kita jana satu set pilihan yang lebih besar dan lebih pintar, kemudian uji yang terbaik"

Ia bukan tentang menghapuskan eksperimen. Ia tentang memilih eksperimen yang lebih baik . 🧠 Nature 2023 (ulasan penemuan ligan)

Selain itu, dan ini kurang dibincangkan, ia membantu pasukan bercakap merentasi disiplin . Ahli kimia, ahli biologi, orang DMPK, saintis pengkomputeran… setiap orang mempunyai model mental yang berbeza. Sistem generatif yang baik boleh berfungsi sebagai pad lakaran yang dikongsi. Ulasan Frontiers in Drug Discovery 2024

Apakah yang menjadikan versi AI generatif yang baik untuk penemuan ubat? ✅

Tidak semua AI generatif dicipta sama. Versi "baik" untuk ruang ini kurang mengenai demo yang mencolok dan lebih kepada kebolehpercayaan yang tidak seksi (tidak seksi adalah satu kebaikan di sini). Nature 2023 (ulasan penemuan ligan)

Persediaan AI generatif yang baik biasanya mempunyai:

Jika AI generatif anda tidak dapat mengendalikan kekangan, ia pada dasarnya hanyalah penjana sesuatu yang baharu. Keseronokan di pesta. Kurang menyeronokkan dalam program dadah.

Di mana AI generatif sesuai merentasi saluran penemuan ubat 🧭

Inilah peta mental yang mudah. ​​AI generatif boleh menyumbang kepada hampir setiap peringkat, tetapi ia berfungsi dengan baik apabila lelaran mahal dan ruang hipotesis sangat besar. Nature 2023 (ulasan penemuan ligan)

Titik sentuh biasa:

Dalam banyak program, kemenangan terbesar datang daripada penyepaduan aliran kerja , bukan daripada satu model yang "genius". Model itu ialah enjin - saluran paip itu ialah kereta. Nature 2023 (ulasan penemuan ligan)

Jadual Perbandingan: pendekatan AI generatif popular yang digunakan dalam penemuan ubat 📊

Meja yang sedikit tidak sempurna, kerana kehidupan sebenar sedikit tidak sempurna.

Alat / Pendekatan Terbaik untuk (khalayak) Harganya agak mahal Mengapa ia berkesan (dan bila ia tidak berkesan)
Penjana molekul de novo (SMILES, graf) Kimia perubatan + kimia kompaun $$-$$$ Hebat dalam meneroka analog baharu dengan pantas 😎 - tetapi boleh mengeluarkan ketidaksesuaian yang tidak stabil REINVENT 4 GENTRL (Nature Biotech 2019)
Penjana protein / struktur Pasukan biologi, biologi struktur $$$ Membantu mencadangkan jujukan + struktur - tetapi "kelihatan munasabah" tidak sama dengan "berfungsi" AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Reka bentuk molekul gaya penyebaran Pasukan ML lanjutan $$-$$$$ Kuat dalam pelaziman kekangan dan kepelbagaian - persediaan boleh jadi… keseluruhannya JCIM 2024 (model penyebaran) Ulasan penyebaran PMC 2025
Juruterbang pembantu ramalan hartanah (gabungan QSAR + GenAI) DMPK, pasukan projek $$ Bagus untuk triaj dan kedudukan - teruk jika dianggap sebagai sesuatu yang tidak masuk akal 😬 OECD (domain kebolehgunaan) ADMETlab 2.0
Perancang retrosintesis Kimia proses, CMC $$-$$$ Mempercepatkan idea laluan - masih memerlukan manusia untuk kebolehlaksanaan dan keselamatan AiZynthFinder 2020 Coley 2018 (CASP)
Juruterbang pembantu makmal multimodal (teks + data ujian) Pasukan penterjemahan $$$ Berguna untuk menarik isyarat merentasi set data - terdedah kepada terlalu yakin jika data tidak sekata Nature 2024 (kesan kelompok dalam pengimejan sel) npj Perubatan Digital 2025 (multimodal dalam bioteknologi)
Pembantu literatur dan hipotesis Semua orang, dalam praktiknya $ Mengurangkan banyak masa membaca - tetapi halusinasi boleh menjadi licin, seperti stoking hilang Corak 2025 (LLM dalam penemuan ubat) Panduan doktor (halusinasi)
Model asas dalaman tersuai Farmaseutikal besar, bioteknologi yang dibiayai dengan baik $$$$ Kawalan + integrasi terbaik - juga mahal dan lambat dibina (maaf, memang benar) Ulasan Frontiers in Drug Discovery 2024

Nota: harga berbeza-beza bergantung pada skala, pengiraan, pelesenan dan sama ada pasukan anda mahu "pasang dan main" atau "mari bina kapal angkasa"

Pandangan lebih dekat: AI Generatif untuk penemuan hebat dan reka bentuk de novo 🧩

Ini adalah kes penggunaan utama: menjana molekul calon dari awal (atau dari perancah) yang sepadan dengan profil sasaran. Bioteknologi Alam Semula Jadi 2019 (GENTRL) REINVENT 4

Cara ia biasanya berfungsi dalam amalan:

  1. Tentukan kekangan

  2. Jana calon

  3. Tapis secara agresif

  4. Pilih set kecil untuk sintesis

    • manusia masih memilih, kerana manusia kadangkala boleh menghidu bau yang tidak masuk akal

Kebenaran yang janggal: nilainya bukan sekadar "molekul baharu". Ia adalah molekul baharu yang masuk akal untuk kekangan program anda . Bahagian terakhir itu adalah segalanya. Nature 2023 (ulasan penemuan ligan)

Selain itu, terdapat sedikit keterlaluan: apabila dilakukan dengan baik, anda mungkin rasa seperti anda telah mengupah satu pasukan ahli kimia junior yang tidak kenal lelah yang tidak pernah tidur dan tidak pernah merungut. Namun begitu, mereka juga tidak faham mengapa strategi perlindungan tertentu adalah mimpi ngeri, jadi… keseimbangan 😅.

Pandangan lebih dekat: Pengoptimuman bakal pelanggan dengan AI generatif (penalaan berbilang parameter) 🎛️

Pengoptimuman bakal pelanggan adalah tempat impian menjadi rumit.

Anda mahu:

  • potensi meningkat

  • selektiviti meningkat

  • kestabilan metabolik meningkat

  • keterlarutan meningkat

  • isyarat keselamatan turun

  • kebolehtelapan "tepat"

  • DAN masih boleh disintesis

Ini adalah pengoptimuman berbilang objektif klasik. AI Generatif luar biasa bagus dalam mencadangkan satu set penyelesaian pertukaran dan bukannya berpura-pura terdapat satu sebatian yang sempurna. REINVENT 4 Elsevier 2024 (model generatif)

Cara praktikal pasukan menggunakannya:

  • Cadangan analog : “Buat 30 varian yang mengurangkan pelepasan tetapi mengekalkan potensi”

  • Pengimbasan gantian : penerokaan berpandu dan bukannya penghitungan kekerasan

  • Lompatan perancah : apabila teras melanggar dinding (toksin, IP, atau kestabilan)

  • Cadangan penjelasan : “Kumpulan kutub ini mungkin membantu keterlarutan tetapi boleh menjejaskan kebolehtelapan” (tidak selalunya betul, tetapi membantu)

Satu amaran: peramal sifat boleh rapuh. Jika data latihan anda tidak sepadan dengan siri kimia anda, model tersebut boleh menjadi salah dengan yakin. Seperti, sangat salah. Dan ia tidak akan tersipu-sipu. Prinsip pengesahan QSAR OECD (domain kebolehgunaan) Weaver 2008 (domain kebolehgunaan QSAR)

Pandangan lebih dekat: ADMET, ketoksikan dan saringan “tolong jangan bunuh program ini” 🧯

ADMET adalah tempat ramai calon gagal secara senyap-senyap. AI Generatif tidak menyelesaikan biologi, tetapi ia boleh mengurangkan kesilapan yang boleh dielakkan. ADMETlab 2.0 Waring 2015 (pergeseran)

Peranan biasa:

  • meramalkan liabiliti metabolik (tapak metabolisme, trend pembersihan)

  • menandakan motif ketoksikan yang mungkin (amaran, proksi perantaraan reaktif)

  • menganggarkan julat keterlarutan dan kebolehtelapan

  • mencadangkan pengubahsuaian untuk mengurangkan risiko hERG atau meningkatkan kestabilan 🧪 FDA (Soalan & Jawapan ICH E14/S7B) EMA (Gambaran keseluruhan ICH E14/S7B)

Corak yang paling berkesan cenderung kelihatan seperti ini: gunakan GenAI untuk mencadangkan pilihan, tetapi gunakan model dan eksperimen khusus untuk mengesahkan.

AI generatif ialah enjin ideasi. Pengesahan masih wujud dalam ujian.

Pandangan lebih dekat: AI Generatif untuk biologi dan kejuruteraan protein 🧬✨

Penemuan ubat bukan sahaja molekul kecil. AI generatif juga digunakan untuk:

Penjanaan protein dan jujukan boleh menjadi hebat kerana "bahasa" jujukan memetakan dengan sangat baik kepada kaedah ML. Tetapi inilah jejak langkahnya yang biasa: ia memetakan dengan baik… sehingga ia tidak. Kerana kekangan imunogenisiti, ekspresi, corak glikosilasi dan kebolehkembangan boleh menjadi sangat kejam. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Jadi persediaan terbaik termasuk:

  • penapis kebolehmajuan

  • pemarkahan risiko imunogenisiti

  • kekangan kebolehkilangan

  • gelung makmal basah untuk lelaran pantas 🧫

Jika anda melangkau semua itu, anda akan mendapat urutan yang cantik yang berkelakuan seperti diva dalam produksi.

Pandangan lebih dekat: Perancangan sintesis dan cadangan retrosintesis 🧰

AI generatif juga menyelinap masuk ke dalam operasi kimia, bukan sekadar ideasi molekul.

Perancang retrosintesis boleh:

  • cadangkan laluan ke kawasan sasaran

  • cadangkan bahan permulaan yang tersedia secara komersial

  • kedudukan laluan mengikut kiraan langkah atau kebolehlaksanaan yang dirasakan

  • bantu ahli kimia dengan cepat menolak idea-idea “comel tetapi mustahil” AiZynthFinder 2020 Coley 2018 (CASP)

Ini dapat menjimatkan masa sebenar, terutamanya apabila anda meneroka banyak struktur calon. Namun begitu, manusia sangat penting di sini kerana:

  • perubahan ketersediaan reagen

  • kebimbangan keselamatan dan skala adalah nyata

  • beberapa langkah kelihatan baik di atas kertas tetapi gagal berulang kali

Metafora yang kurang sempurna, tetapi saya akan tetap menggunakannya: retrosintesis AI adalah seperti GPS yang kebanyakannya betul, kecuali kadangkala ia menghalakan anda melalui tasik dan menegaskan ia adalah jalan pintas. 🚗🌊 Coley 2017 (retrosintesis berbantukan komputer)

Data, model multimodal dan realiti makmal yang compang-camping 🧾🧪

AI Generatif menyukai data. Makmal menghasilkan data. Di atas kertas, itu kedengaran mudah.

Ha. Tidak.

Data makmal sebenar ialah:

Sistem generatif multimodal boleh menggabungkan:

Apabila ia berkesan, ia memang hebat. Anda boleh mendedahkan corak yang tidak jelas dan mencadangkan eksperimen yang mungkin terlepas pandang oleh seorang pakar.

Apabila ia gagal, ia gagal secara senyap. Ia tidak membanting pintu. Ia hanya mendorong anda ke arah kesimpulan yang salah dan yakin. Itulah sebabnya tadbir urus, pengesahan dan semakan domain bukanlah pilihan. Panduan doktor (halusinasi) npj Perubatan Digital 2025 (halusinasi + rangka kerja keselamatan)

Risiko, batasan dan bahagian “jangan tertipu dengan output yang lancar” ⚠️

Jika anda hanya ingat satu perkara, ingatlah ini: AI generatif bersifat persuasif. Ia boleh berbunyi betul manakala salah. Panduan doktor (halusinasi)

Risiko utama:

Mitigasi yang membantu dalam amalan:

  • memastikan manusia berada dalam gelung keputusan

  • gesaan dan output log untuk kebolehkesanan

  • sahkan dengan kaedah ortogonal (ujian, model alternatif)

  • kuatkuasakan kekangan dan penapis secara automatik

  • anggap output sebagai hipotesis, bukan tablet kebenaran Panduan QSAR OECD

AI Generatif ialah alat kuasa. Alat kuasa tidak menjadikan anda seorang tukang kayu… ia hanya membuat kesilapan lebih cepat jika anda tidak tahu apa yang anda lakukan.

Bagaimana pasukan menggunakan AI generatif tanpa huru-hara 🧩🛠️

Pasukan sering mahu menggunakan ini tanpa mengubah organisasi menjadi pameran sains. Laluan penerimaan praktikal adalah seperti berikut:

Selain itu, jangan memandang rendah budaya. Jika ahli kimia merasakan AI sedang diarahkan kepada mereka, mereka akan mengabaikannya. Jika ia menjimatkan masa mereka dan menghormati kepakaran mereka, mereka akan menerimanya dengan cepat. Manusia memang kelakar seperti itu 🙂.

Apakah peranan AI generatif dalam Penemuan Ubat apabila anda mengezum keluar? 🔭

Secara zum, peranannya bukanlah "menggantikan saintis". Ia adalah "meluaskan lebar jalur saintifik." Nature 2023 (ulasan penemuan ligan)

Ia membantu pasukan:

  • terokai lebih banyak hipotesis setiap minggu

  • cadangkan lebih banyak struktur calon setiap kitaran

  • mengutamakan eksperimen dengan lebih bijak

  • gelung lelaran tekan antara reka bentuk dan ujian

  • berkongsi pengetahuan merentasi silo Corak 2025 (LLM dalam penemuan ubat)

Dan mungkin bahagian yang paling dipandang rendah: ia membantu anda tidak membazirkan kreativiti manusia yang mahal untuk tugasan berulang. Orang ramai harus memikirkan mekanisme, strategi dan tafsiran - bukannya menghabiskan masa berhari-hari menjana senarai varian dengan tangan. Nature 2023 (ulasan penemuan ligan)

Jadi ya, peranan AI generatif dalam Penemuan Ubat adalah pemecut, penjana, penapis dan kadangkala pembuat masalah. Tetapi ia sangat berharga.

Ringkasan penutup 🧾✅

AI generatif menjadi keupayaan teras dalam penemuan ubat moden kerana ia boleh menjana molekul, hipotesis, jujukan dan laluan lebih pantas daripada manusia - dan ia boleh membantu pasukan memilih eksperimen yang lebih baik. Ulasan Frontiers in Drug Discovery 2024 Nature 2023 (ulasan penemuan ligan)

Rumusan ringkasan:

Jika anda melayannya seperti kolaborator - bukan orakel - ia benar-benar boleh memajukan program. Dan jika anda melayannya seperti orakel… anda mungkin akan mengikuti GPS itu ke dalam tasik sekali lagi. 🚗🌊

Soalan Lazim

Apakah peranan AI generatif dalam penemuan ubat?

AI Generatif terutamanya meluaskan corong idea dalam penemuan awal dan pengoptimuman petunjuk dengan mencadangkan molekul calon, jujukan protein, laluan sintesis dan hipotesis biologi. Nilainya kurang "menggantikan eksperimen" dan lebih "memilih eksperimen yang lebih baik" dengan menjana banyak pilihan dan kemudian menapis dengan teliti. Ia berfungsi paling baik sebagai pemecut dalam aliran kerja yang berdisiplin, bukan sebagai pembuat keputusan yang berdiri sendiri.

Di manakah AI generatif berfungsi dengan baik merentasi saluran penemuan ubat?

Ia cenderung memberikan nilai paling tinggi di tempat yang ruang hipotesisnya luas dan lelarannya mahal, seperti pengenalpastian hit, reka bentuk de novo dan pengoptimuman bakal pelanggan. Pasukan juga menggunakannya untuk triaj ADMET, cadangan retrosintesis dan sokongan literatur atau hipotesis. Keuntungan terbesar biasanya datang daripada mengintegrasikan penjanaan dengan penapis, pemarkahan dan semakan manusia dan bukannya mengharapkan satu model menjadi "pintar"

Bagaimanakah anda menetapkan kekangan supaya model generatif tidak menghasilkan molekul yang tidak berguna?

Pendekatan praktikal adalah untuk menentukan kekangan sebelum penjanaan: julat sifat (seperti keterlarutan atau sasaran logP), peraturan perancah atau substruktur, ciri tapak pengikatan dan had kebaharuan. Kemudian, kuatkuasakan penapis kimia perubatan (termasuk kumpulan PAINS/reaktif) dan semakan kebolehsintesisan. Penjanaan kekangan dahulu amat membantu dengan reka bentuk dan rangka kerja molekul gaya resapan seperti REINVENT 4, yang mana matlamat berbilang objektif boleh dikodkan.

Bagaimanakah pasukan harus mengesahkan output GenAI untuk mengelakkan halusinasi dan keyakinan yang berlebihan?

Anggap setiap output sebagai hipotesis, bukan kesimpulan, dan sahkan dengan ujian dan model ortogon. Pasangkan penjanaan dengan penapisan, dok atau pemarkahan yang agresif jika sesuai, dan semakan domain kebolehgunaan untuk peramal gaya QSAR. Pastikan ketidakpastian kelihatan apabila boleh, kerana model boleh menjadi salah dengan yakin pada kimia luar pengedaran atau dakwaan biologi yang goyah. Semakan manusia-dalam-gelung kekal sebagai ciri keselamatan teras.

Bagaimanakah anda boleh mencegah kebocoran data, risiko IP dan output "dihafal"?

Gunakan kawalan tadbir urus dan akses supaya butiran program sensitif tidak diletakkan secara sambil lewa dalam gesaan dan log gesaan/output untuk kebolehauditan. Kuatkuasakan semakan kebaharuan dan persamaan supaya calon yang dijana tidak terlalu dekat dengan sebatian yang diketahui atau kawasan yang dilindungi. Kekalkan peraturan yang jelas tentang data yang dibenarkan dalam sistem luaran dan lebih suka persekitaran terkawal untuk kerja sensitiviti tinggi. Semakan manusia membantu mengesan cadangan yang "terlalu biasa" lebih awal.

Bagaimanakah AI generatif digunakan untuk pengoptimuman bakal pelanggan dan penalaan berbilang parameter?

Dalam pengoptimuman bakal pelanggan, AI generatif adalah berharga kerana ia boleh mencadangkan pelbagai penyelesaian pertukaran dan bukannya mengejar sebatian "sempurna" tunggal. Aliran kerja biasa termasuk cadangan analog, pengimbasan substituen berpandu dan lompatan perancah apabila kekangan potensi, toksin atau IP menyekat kemajuan. Peramal sifat boleh menjadi rapuh, jadi pasukan biasanya menilai calon dengan berbilang model dan kemudian mengesahkan pilihan terbaik secara eksperimen.

Bolehkah AI generatif membantu dalam bidang biologi dan kejuruteraan protein juga?

Ya - pasukan menggunakannya untuk penjanaan jujukan antibodi, idea kematangan afiniti, penambahbaikan kestabilan dan penerokaan enzim atau peptida. Penjanaan protein/jujukan boleh kelihatan munasabah tanpa boleh dibangunkan, jadi penting untuk menggunakan penapis kebolehkembangan, imunogenisiti dan kebolehkilangan. Alat struktur seperti AlphaFold boleh menyokong penaakulan, tetapi "struktur yang munasabah" masih bukan bukti ekspresi, fungsi atau keselamatan. Gelung makmal basah kekal penting.

Bagaimanakah AI generatif menyokong perancangan sintesis dan retrosintesis?

Perancang retrosintesis boleh mencadangkan laluan, bahan permulaan dan kedudukan laluan untuk mempercepatkan penjanaan idea dan dengan cepat menolak laluan yang tidak boleh dilaksanakan. Alat dan pendekatan seperti perancangan gaya AiZynthFinder paling berkesan apabila digandingkan dengan semakan kebolehlaksanaan dunia sebenar daripada ahli kimia. Ketersediaan, keselamatan, kekangan peningkatan skala dan "tindak balas kertas" yang gagal dalam amalan masih memerlukan pertimbangan manusia. Digunakan dengan cara ini, ia menjimatkan masa tanpa berpura-pura kimia telah diselesaikan.

Rujukan

  1. Alam Semula Jadi - Kajian penemuan ligan (2023) - nature.com

  2. Bioteknologi Alam Semula Jadi - GENTRL (2019) - nature.com

  3. Alam Semula Jadi - AlphaFold (2021) - nature.com

  4. Alam Semula Jadi - RFdifusi (2023) - nature.com

  5. Bioteknologi Alam Semula Jadi - Penjana Protein (2024) - nature.com

  6. Komunikasi Alam Semula Jadi - Kesan kelompok dalam pengimejan sel (2024) - nature.com

  7. Perubatan Digital npj - Rangka kerja halusinasi + keselamatan (2025) - nature.com

  8. Perubatan Digital npj - Multimodal dalam bioteknologi (2025) - nature.com

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

  10. Corak Sel - LLM dalam penemuan ubat (2025) - cell.com

  11. ScienceDirect (Elsevier) - Model generatif dalam reka bentuk ubat de novo (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): kebimbangan tentang kebaharuan/keunikan - sciencedirect.com

  13. Analisis Imej Perubatan (ScienceDirect) - AI Multimodal dalam perubatan (2025) - sciencedirect.com

  14. PubMed Central - Panduan doktor (risiko halusinasi) - nih.gov

  15. Akaun Penyelidikan Kimia (Penerbitan ACS) - Ruang kimia (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): skala ruang kimia - nih.gov

  17. Sempadan dalam Penemuan Dadah (PubMed Central) - Ulasan (2024) - nih.gov

  18. Jurnal Maklumat dan Pemodelan Kimia (Penerbitan ACS) - Model penyebaran dalam reka bentuk ubat de novo (2024) - acs.org

  19. PubMed Central - REINVENT 4 (rangka kerja terbuka) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (perkara ADMET awal) - nih.gov

  21. OECD - Prinsip untuk Pengesahan bagi Tujuan Kawal Selia Model (Q)SAR - oecd.org

  22. OECD - Dokumen panduan mengenai pengesahan model (Q)SAR - oecd.org

  23. Akaun Penyelidikan Kimia (Penerbitan ACS) - Perancangan sintesis berbantukan komputer / CASP (Coley, 2018) - acs.org

  24. Sains Pusat ACS (Penerbitan ACS) - Retrosintesis berbantukan komputer (Coley, 2017) - acs.org

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

  26. PubMed - Lipinski: Peraturan 5 konteks - nih.gov

  27. Jurnal Kimia Perubatan (Penerbitan ACS) - Baell & Holloway (2010): KESAKITAN - acs.org

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

  29. PubMed - Rives (2021): model bahasa protein - nih.gov

  30. PubMed Central - Leek et al. (2010): kesan kelompok - nih.gov

  31. PubMed Central - Ulasan Difusi (2025) - nih.gov

  32. FDA - E14 dan S7B: penilaian klinikal dan bukan klinikal pemanjangan selang QT/QTc dan potensi proaritmia (Q&A) - fda.gov

  33. Agensi Ubat-ubatan Eropah - Gambaran keseluruhan garis panduan ICH E14/S7B - europa.eu

  34. USENIX - Carlini et al. (2021): mengekstrak data latihan daripada model bahasa - usenix.org

  35. Universiti Edinburgh – Perkhidmatan Penyelidikan Digital - Sumber buku nota makmal elektronik (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): Domain kebolehgunaan QSAR - sciencedirect.com

Cari AI Terkini di Kedai Pembantu AI Rasmi

Tentang Kami

Kembali ke blog