Koja je uloga generativne umjetne inteligencije u otkrivanju lijekova?

Koja je uloga generativne umjetne inteligencije u otkrivanju lijekova?

Kratak odgovor: Generativna umjetna inteligencija uglavnom ubrzava rano otkrivanje lijekova generiranjem molekula kandidata ili proteinskih sekvenci, predlaganjem puteva sinteze i iznošenjem hipoteza koje se mogu testirati, tako da timovi mogu provoditi manje "slijepih" eksperimenata. Najbolje se ponaša kada se primjenjuju stroga ograničenja i validiraju rezultati; tretirana kao proročište, može zavarati s povjerenjem.

Ključne zaključke:

Ubrzanje : Koristite GenAI za proširenje generiranja ideja, a zatim suzite obim rigoroznim filtriranjem.

Ograničenja : Zahtijevajte raspone svojstava, pravila skele i ograničenja novosti prije generiranja.

Validacija : Tretirajte rezultate kao hipoteze; potvrdite testovima i ortogonalnim modelima.

Sljedivost : Zabilježite upute, rezultate i obrazloženje kako bi odluke ostale podložne reviziji i pregledu.

Otpornost na zloupotrebu : Spriječite curenje informacija i pretjerano samopouzdanje pomoću upravljanja, kontrola pristupa i ljudskog pregleda.

Koja je uloga generativne umjetne inteligencije u otkrivanju lijekova? Infografika

Članci koje biste možda željeli pročitati nakon ovog:

🔗 Uloga umjetne inteligencije u zdravstvu
Kako umjetna inteligencija poboljšava dijagnozu, radne procese, njegu pacijenata i ishode.

🔗 Hoće li vještačka inteligencija zamijeniti radiologe?
Istražuje kako automatizacija unapređuje radiologiju i šta ostaje ljudsko.

🔗 Hoće li vještačka inteligencija zamijeniti doktore?
Iskreni pogled na utjecaj umjetne inteligencije na poslove i praksu doktora.

🔗 Najbolji alati umjetne inteligencije za naučna otkrića
Vrhunski alati za AI laboratoriju za ubrzavanje eksperimenata, analize i otkrića.

Uloga generativne umjetne inteligencije u otkrivanju lijekova, u jednom dahu 😮💨

Generativna umjetna inteligencija pomaže timovima za lijekove da kreiraju kandidatske molekule, predvide svojstva, predlože modifikacije, predloži puteve sinteze, istraže biološke hipoteze i saže iteracijske cikluse - posebno u ranom otkrivanju i optimizaciji potencijalnih klijenata. Nature 2023 (pregled otkrića liganda) Elsevier 2024 (generativni modeli u de novo dizajnu lijekova)

I da, može i samouvjereno generirati gluposti. To je dio dogovora. Kao vrlo entuzijastični pripravnik s raketnim motorom. Vodič za kliničare (rizik od halucinacija) npj Digital Medicine 2025 (halucinacije + sigurnosni okvir)

Zašto je ovo važnije nego što ljudi priznaju 💥

Veliki dio istraživačkog rada je "pretraga". Pretražite hemijski prostor, pretražite biologiju, pretražite literaturu, pretražite odnose strukture i funkcije. Problem je što je hemijski prostor... u osnovi beskonačan. Accounts of Chemical Research 2015 (hemijski prostor) Irwin & Shoichet 2009 (skala hemijskog prostora)

Mogli biste provesti više života isprobavajući samo „razumne“ varijacije.

Generativna umjetna inteligencija pomiče tijek rada sa:

  • "Hajde da testiramo šta možemo smisliti"

do:

  • „Hajde da generišemo veći, pametniji skup opcija, a zatim testiramo najbolje.“

Ne radi se o eliminaciji eksperimenata. Radi se o odabiru boljih eksperimenata . 🧠 Nature 2023 (pregled otkrića liganda)

Također, a o ovome se nedovoljno raspravlja, pomaže timovima da razgovaraju između različitih disciplina . Hemičari, biolozi, DMPK ljudi, računarski naučnici... svi imaju različite mentalne modele. Pristojan generativni sistem može poslužiti kao zajednička skicirka. Recenzija knjige Frontiers in Drug Discovery 2024.

Šta čini dobru verziju generativne umjetne inteligencije za otkrivanje lijekova? ✅

Nisu sve generativne umjetne inteligencije jednake. "Dobra" verzija za ovaj prostor manje se odnosi na blještave demonstracije, a više na neatraktivnu pouzdanost (neatraktivnost je ovdje vrlina). Nature 2023 (pregled otkrića liganda)

Dobra postavka generativne umjetne inteligencije obično ima:

Ako vaša generativna umjetna inteligencija ne može podnijeti ograničenja, ona je u osnovi generator novosti. Zabavno na zabavama. Manje zabavno u programu za odvikavanje od droga.

Gdje se generativna umjetna inteligencija uklapa u proces otkrivanja lijekova 🧭

Evo jednostavne mentalne mape. Generativna umjetna inteligencija može doprinijeti gotovo svakoj fazi, ali najbolje rezultate postiže tamo gdje je iteracija skupa, a prostor za hipoteze ogroman. Nature 2023 (pregled otkrića liganda)

Uobičajene tačke dodira:

U mnogim programima, najveći uspjesi dolaze iz integracije radnog procesa , a ne iz toga što je jedan model „genijalan“. Model je motor - cjevovod je automobil. Nature 2023 (pregled otkrića liganda)

Tabela za poređenje: popularni generativni pristupi umjetne inteligencije koji se koriste u otkrivanju lijekova 📊

Malo nesavršena tabela, jer je stvarni život malo nesavršen.

Alat / Pristup Najbolje za (publiku) Prilično skupo Zašto funkcioniše (i kada ne funkcioniše)
De novo generatori molekula (SMILES, grafovi) Medicinska hemija + komparativna hemija $$-$$$ Odličan u brzom istraživanju novih analoga 😎 - ali može otkriti nestabilne neprilagođene elemente. REINVENT 4 GENTRL (Nature Biotech 2019)
Generatori proteina / strukture Biološki timovi, strukturna biologija $$$ Pomaže u predlaganju sekvenci + struktura - ali „izgleda vjerovatno“ nije isto što i „radi“ AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Molekularni dizajn difuzijskog stila Napredni timovi za strojno učenje $$-$$$$ Jaki u uvjetovanju ograničenja i raznolikosti - postavka može biti… cijela stvar JCIM 2024 (difuzijski modeli) PMC 2025 pregled difuzije
Kopiloti za predviđanje nekretnina (kombinacija QSAR + GenAI) DMPK, projektni timovi $$ Dobro za trijažu i rangiranje - loše ako se tretira kao jevanđelje 😬 OECD (domen primjenjivosti) ADMETlab 2.0
Planeri retrosinteze Procesna hemija, CMC $$-$$$ Ubrzava proces kreiranja ruta - i dalje su potrebni ljudi za izvodljivost i sigurnost AiZynthFinder 2020 Coley 2018 (CASP)
Multimodalni laboratorijski kopiloti (tekst + podaci analize) Prevodilački timovi $$$ Korisno za prikupljanje signala između skupova podataka - sklono prevelikom samopouzdanju ako su podaci nepotpuni Nature 2024 (efekti serije u snimanju ćelija) npj Digital Medicine 2025 (multimodalni podaci u biotehnologiji)
Asistenti za literaturu i hipoteze Svi, u praksi $ Znatno skraćuje vrijeme čitanja - ali halucinacije mogu biti klizave, poput čarapa koje nestaju. Obrasci 2025 (LLM u otkrivanju lijekova) Vodič za kliničare (halucinacije)
Prilagođeni modeli temelja po mjeri Velike farmaceutske kompanije, dobro finansirane biotehnološke kompanije $$$$ Najbolja kontrola + integracija - također skupo i sporo za izgradnju (žao mi je, istina je) Recenzija Frontiers in Drug Discovery 2024

Napomene: cijene se uveliko razlikuju ovisno o obimu, računarskim resursima, licenciranju i tome da li vaš tim želi "plug and play" ili "hajde da napravimo svemirski brod"

Detaljniji pogled: Generativna umjetna inteligencija za otkrivanje hitova i de novo dizajn 🧩

Ovo je glavni slučaj upotrebe: generiranje kandidatskih molekula od nule (ili iz skele) koje odgovaraju ciljnom profilu. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Kako to obično funkcionira u praksi:

  1. Definiraj ograničenja

  2. Generiraj kandidate

  3. Agresivno filtrirajte

  4. Odaberite mali set za sintezu

    • Ljudi i dalje biraju, jer ponekad mogu namirisati gluposti

Neugodna istina: vrijednost nisu samo "novi molekuli". To su novi molekuli koji imaju smisla za ograničenja vašeg programa . Taj posljednji dio je sve. Nature 2023 (pregled otkrića liganda)

Također, blago pretjerivanje: kada se dobro uradi, može se osjećati kao da ste zaposlili tim neumornih mladih hemičara koji nikad ne spavaju i nikad se ne žale. S druge strane, oni također ne razumiju zašto je određena strategija zaštite noćna mora, tako da... ravnoteža 😅.

Detaljniji pogled: Optimizacija potencijalnih klijenata generativnom umjetnom inteligencijom (višeparametarsko podešavanje) 🎛️

Optimizacija potencijalnih klijenata je mjesto gdje snovi postaju komplicirani.

Želite:

  • povećanje potencije

  • selektivnost gore

  • metabolička stabilnost

  • rastvorljivost prema gore

  • sigurnosni signali isključeni

  • propusnost "taman kako treba"

  • I dalje biti sintetizirajući

Ovo je klasična višeciljna optimizacija. Generativna umjetna inteligencija je neobično dobra u predlaganju skupa kompromisnih rješenja, umjesto da se pretvara da postoji jedno savršeno rješenje. REINVENT 4 Elsevier 2024 recenzija (generativni modeli)

Praktični načini na koje ga timovi koriste:

  • Analogni prijedlog : „Napravite 30 varijanti koje smanjuju klirens, ali zadržavaju potenciju“

  • Skeniranje supstituenata : vođeno istraživanje umjesto nabrajanja grubom silom

  • Skakanje sa skele : kada jezgro udari u zid (toksičnost, IP ili stabilnost)

  • Prijedlozi za objašnjenje : „Ova polarna grupa može poboljšati rastvorljivost, ali može uticati na permeabilnost“ (nije uvijek tačno, ali je korisno)

Jedno upozorenje: prediktori svojstava mogu biti krhki. Ako se vaši podaci za obuku ne podudaraju s vašom hemijskom serijom, model može biti pouzdano pogrešan. Kao, vrlo pogrešan. I neće pocrvenjeti. OECD QSAR principi validacije (domen primjenjivosti) Weaver 2008 (QSAR domen primjenjivosti)

Detaljniji pogled: ADMET, toksičnost i skrining "molim vas, nemojte ubiti program" 🧯

ADMET je mjesto gdje mnogi kandidati tiho ne uspiju. Generativna umjetna inteligencija ne rješava biologiju, ali može smanjiti greške koje se mogu izbjeći. ADMETlab 2.0 Waring 2015 (osip)

Uobičajene uloge:

  • predviđanje metaboličkih odgovornosti (mjesta metabolizma, trendovi klirensa)

  • označavanje vjerojatnih motiva toksičnosti (upozorenja, pokazatelji reaktivnih međuprodukata)

  • procjena raspona topljivosti i permeabilnosti

  • predlažu se modifikacije za smanjenje rizika od hERG-a ili poboljšanje stabilnosti 🧪 FDA (ICH E14/S7B pitanja i odgovori) EMA (pregled ICH E14/S7B)

Najefikasniji obrazac obično izgleda ovako: koristite GenAI za predlaganje opcija, ali koristite specijalizirane modele i eksperimente za provjeru.

Generativna umjetna inteligencija je motor za stvaranje ideja. Validacija se još uvijek odvija u testovima.

Detaljniji pogled: Generativna umjetna inteligencija za biološke lijekove i proteinski inženjering 🧬✨

Otkrivanje lijekova ne obuhvata samo male molekule. Generativna umjetna inteligencija se koristi i za:

Generiranje proteina i sekvenci može biti moćno jer se "jezik" sekvenci iznenađujuće dobro preslikava na ML metode. Ali evo ležernog povratnog puta: dobro se preslikava... dok ne prestane. Jer imunogenost, ekspresija, obrasci glikozilacije i ograničenja razvojnosti mogu biti brutalni. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Dakle, najbolje postavke uključuju:

  • filteri za razvoj

  • bodovanje rizika imunogenosti

  • ograničenja proizvodljivosti

  • mokre laboratorijske petlje za brzu iteraciju 🧫

Ako ih preskočite, dobit ćete prekrasan slijed koji se ponaša kao diva u produkciji.

Detaljniji pogled: Planiranje sinteze i prijedlozi za retrosintezu 🧰

Generativna umjetna inteligencija se također uvlači u hemijske operacije, ne samo u stvaranje ideja za molekule.

Planeri retrosinteze mogu:

  • predložiti puteve do ciljnog spoja

  • predložite komercijalno dostupne početne materijale

  • rangiranje ruta prema broju koraka ili percipiranoj izvodljivosti

  • pomozite hemičarima da brzo isključe „slatke, ali nemoguće“ ideje AiZynthFinder 2020 Coley 2018 (CASP)

Ovo može uštedjeti stvarno vrijeme, posebno kada istražujete mnogo kandidatskih struktura. Ipak, ljudi su ovdje veoma važni jer:

  • promjene dostupnosti reagensa

  • zabrinutost zbog sigurnosti i obima je stvarna

  • Neki koraci izgledaju dobro na papiru, ali stalno ne uspijevaju

Nije baš savršena metafora, ali ću je ipak upotrijebiti: retrosintetska umjetna inteligencija je poput GPS-a koji je uglavnom tačan, osim što vas ponekad usmjerava kroz jezero i insistira da je to prečica. 🚗🌊 Coley 2017 (računarski potpomognuta retrosinteza)

Podaci, multimodalni modeli i surova stvarnost laboratorija 🧾🧪

Generativna umjetna inteligencija voli podatke. Laboratorije proizvode podatke. Na papiru, to zvuči jednostavno.

Ha. Ne.

Pravi laboratorijski podaci su:

Multimodalni generativni sistemi mogu kombinovati:

Kada funkcioniše, to je sjajno. Možete otkriti neočigledne obrasce i predložiti eksperimente koje bi jedan stručnjak mogao propustiti.

Kada ne uspije, ne uspije tiho. Ne zalupi vratima. Samo vas gura ka samouvjerenom pogrešnom zaključku. Zato upravljanje, validacija i pregled domene nisu opcionalni. Vodič za kliničare (halucinacije) npj Digital Medicine 2025 (halucinacije + sigurnosni okvir)

Rizici, ograničenja i odjeljak „ne dajte se zavarati tečnim izlazom“ ⚠️

Ako se sjećate samo jedne stvari, zapamtite ovo: generativna umjetna inteligencija je uvjerljiva. Može zvučati ispravno, a istovremeno biti pogrešna. Vodič za kliničare (halucinacije)

Ključni rizici:

Ublažavanja koja pomažu u praksi:

  • zadržati ljude u petlji odlučivanja

  • log upiti i izlazi za sljedivost

  • validirati ortogonalnim metodama (testovi, alternativni modeli)

  • automatski nameće ograničenja i filtere

  • tretirati rezultate kao hipoteze, a ne kao tablice istine, OECD QSAR smjernice

Generativna umjetna inteligencija je električni alat. Električni alati vas ne čine stolarom... oni samo brže prave greške ako ne znate šta radite.

Kako timovi usvajaju generativnu umjetnu inteligenciju bez haosa 🧩🛠️

Timovi često žele koristiti ovo bez pretvaranja organizacije u naučni sajam. Praktičan put usvajanja izgleda ovako:

Također, nemojte podcijeniti kulturu. Ako hemičari osjećaju da im se nameće vještačka inteligencija, ignorisaće je. Ako im to uštedi vrijeme i poštuje njihovu stručnost, brzo će je usvojiti. Ljudi su takvi smiješni 🙂.

Koja je uloga generativne umjetne inteligencije u otkrivanju lijekova kada se udaljite od slike? 🔭

U manjoj mjeri, uloga nije "zamijeniti naučnike". To je "proširiti naučni opseg". Nature 2023 (pregled otkrića liganda)

Pomaže timovima:

  • istražite više hipoteza sedmično

  • predložiti više kandidatskih struktura po ciklusu

  • inteligentnije određivanje prioriteta eksperimenata

  • komprimirajte iteracijske petlje između dizajna i testiranja

  • dijeljenje znanja između silosa Patterns 2025 (LLM u otkrivanju lijekova)

I možda najpotcijenjeniji dio: pomaže vam da ne trošite skupu ljudsku kreativnost na repetitivne zadatke. Ljudi bi trebali razmišljati o mehanizmu, strategiji i interpretaciji - a ne trošiti dane ručno generirajući liste varijanti. Nature 2023 (pregled otkrića liganda)

Dakle, da, uloga generativne umjetne inteligencije u otkrivanju lijekova je akcelerator, generator, filter, a ponekad i uzrok problema. Ali vrijedna.

Završni sažetak 🧾✅

Generativna umjetna inteligencija postaje ključna sposobnost u modernom otkrivanju lijekova jer može generirati molekule, hipoteze, sekvence i rute brže od ljudi - i može pomoći timovima da odaberu bolje eksperimente. Pregled Frontiers in Drug Discovery 2024 Nature 2023 (pregled otkrivanja liganda)

Sažetak tačaka:

Ako ga tretirate kao saradnika - a ne kao proročište - on zaista može pokrenuti programe naprijed. A ako ga tretirate kao proročište... pa, mogli biste na kraju opet pratiti taj GPS u jezero. 🚗🌊

Često postavljana pitanja

Koja je uloga generativne umjetne inteligencije u otkrivanju lijekova?

Generativna umjetna inteligencija prvenstveno proširuje tok ideja u ranom otkrivanju i optimizaciji potencijalnih klijenata predlaganjem molekula kandidata, proteinskih sekvenci, puteva sinteze i bioloških hipoteza. Vrijednost je manje u "zamjenjivanju eksperimenata", a više u "odabiru boljih eksperimenata" generiranjem mnogih opcija, a zatim temeljitim filtriranjem. Najbolje funkcionira kao akcelerator unutar discipliniranog radnog procesa, a ne kao samostalni donosilac odluka.

Gdje generativna umjetna inteligencija najbolje funkcionira u procesu otkrivanja lijekova?

Obično pruža najveću vrijednost tamo gdje je prostor za hipoteze ogroman, a iteracija skupa, kao što su identifikacija pogodaka, de novo dizajn i optimizacija potencijalnih klijenata. Timovi ga također koriste za ADMET trijažu, prijedloge retrosinteze i podršku literaturi ili hipotezama. Najveći dobici obično dolaze od integriranja generiranja s filterima, bodovanjem i ljudskim pregledom, umjesto očekivanja da će jedan model biti „pametan“

Kako postavljate ograničenja tako da generativni modeli ne proizvode beskorisne molekule?

Praktičan pristup je definiranje ograničenja prije generiranja: rasponi svojstava (kao što su topljivost ili logP ciljevi), pravila skele ili podstrukture, karakteristike mjesta vezivanja i granice novosti. Zatim se primjenjuju filteri medicinske hemije (uključujući PAINS/reaktivne grupe) i provjere sintetizabilnosti. Generiranje s ograničenjima prvo je posebno korisno kod molekularnog dizajna difuzijskog stila i okvira poput REINVENT 4, gdje se mogu kodirati višeciljni ciljevi.

Kako bi timovi trebali validirati rezultate GenAI-a kako bi izbjegli halucinacije i pretjerano samopouzdanje?

Tretirajte svaki izlaz kao hipotezu, a ne kao zaključak, i validirajte ga testovima i ortogonalnim modelima. Generisanje parova sa agresivnim filtriranjem, spajanjem ili bodovanjem gdje je to prikladno, i provjerama domena primjenjivosti za prediktore u stilu QSAR-a. Učinite nesigurnost vidljivom kad god je to moguće, jer modeli mogu biti pouzdano pogrešni u vezi sa hemijom izvan distribucije ili klimavim biološkim tvrdnjama. Pregled od strane čovjeka u toku ostaje ključna sigurnosna karakteristika.

Kako možete spriječiti curenje podataka, rizik po IP i „memorirane“ izlaze?

Koristite kontrole upravljanja i pristupa kako se osjetljivi detalji programa ne bi slučajno stavljali u upite i evidentirajte upite/izlaze radi mogućnosti revizije. Provedite provjere novosti i sličnosti kako generirani kandidati ne bi bili preblizu poznatim spojevima ili zaštićenim regijama. Održavajte jasna pravila o tome koji su podaci dozvoljeni u vanjskim sistemima i preferirajte kontrolirana okruženja za rad s visokom osjetljivošću. Ljudski pregled pomaže u ranom otkrivanju „previše poznatih“ prijedloga.

Kako se generativna umjetna inteligencija koristi za optimizaciju potencijalnih klijenata i podešavanje više parametara?

U optimizaciji potencijalnih klijenata, generativna umjetna inteligencija je vrijedna jer može predložiti više kompromisnih rješenja umjesto da se juri za jednim "savršenim" spojem. Uobičajeni tokovi rada uključuju analogne prijedloge, vođeno skeniranje supstituenata i prelazak sa skele na drugu skelu kada ograničenja potencije, toksičnosti ili IP-a blokiraju napredak. Prediktori svojstava mogu biti krhki, pa timovi obično rangiraju kandidate s više modela, a zatim eksperimentalno potvrđuju najbolje opcije.

Može li generativna umjetna inteligencija pomoći i s biološkim lijekovima i proteinskim inženjeringom?

Da - timovi ga koriste za generiranje sekvenci antitijela, ideje za sazrijevanje afiniteta, poboljšanja stabilnosti i istraživanje enzima ili peptida. Generiranje proteina/sekvenci može izgledati uvjerljivo, a da nije razvojno, tako da je važno primijeniti filtere za razvojnost, imunogenost i proizvodnost. Strukturni alati poput AlphaFolda mogu podržati zaključivanje, ali „uvjerljiva struktura“ i dalje nije dokaz ekspresije, funkcije ili sigurnosti. Petlje mokre laboratorije ostaju ključne.

Kako generativna umjetna inteligencija podržava planiranje sinteze i retrosintezu?

Planeri retrosinteze mogu predložiti rute, početne materijale i rangiranje ruta kako bi ubrzali ideaciju i brzo isključili neizvodljive puteve. Alati i pristupi poput planiranja u stilu AiZynthFindera su najefikasniji kada su upareni sa provjerama izvodljivosti u stvarnom svijetu od strane hemičara. Dostupnost, sigurnost, ograničenja skaliranja i "reakcije na papiru" koje u praksi ne uspijevaju i dalje zahtijevaju ljudsku prosudbu. Korišteno na ovaj način, štedi se vrijeme bez pretvaranja da je hemija riješena.

Reference

  1. Nature - Pregled otkrića liganda (2023) - nature.com

  2. Prirodna biotehnologija - GENTRL (2019) - nature.com

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

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

  5. Prirodna biotehnologija - Generator proteina (2024) - nature.com

  6. Nature Communications - Efekti serije u snimanju ćelija (2024) - nature.com

  7. npj Digitalna medicina - Halucinacije + sigurnosni okvir (2025) - nature.com

  8. npj Digitalna medicina - Multimodalni pristup u biotehnologiji (2025) - nature.com

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

  10. Ćelijski obrasci - LLM u otkrivanju lijekova (2025) - cell.com

  11. ScienceDirect (Elsevier) - Generativni modeli u de novo dizajnu lijekova (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): zabrinutost zbog novosti/jedinstvenosti - sciencedirect.com

  13. Analiza medicinskih slika (ScienceDirect) - Multimodalna umjetna inteligencija u medicini (2025) - sciencedirect.com

  14. PubMed Central - Vodič za kliničare (rizik od halucinacija) - nih.gov

  15. Prikazi hemijskih istraživanja (ACS publikacije) - Hemijski prostor (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): hemijska prostorna skala - nih.gov

  17. Granice u otkrivanju lijekova (PubMed Central) - Pregled (2024) - nih.gov

  18. Časopis za hemijske informacije i modeliranje (ACS publikacije) - Difuzijski modeli u de novo dizajnu lijekova (2024) - acs.org

  19. PubMed Central - REINVENT 4 (otvoreni okvir) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (rana pitanja ADMET-a) - nih.gov

  21. OECD - Principi za validaciju (Q)SAR modela u regulatorne svrhe - oecd.org

  22. OECD - Smjernice o validaciji (Q)SAR modela - oecd.org

  23. Izvještaji o hemijskim istraživanjima (ACS publikacije) - Računarski potpomognuto planiranje sinteze / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Računarski potpomognuta retrosinteza (Coley, 2017) - acs.org

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

  26. PubMed - Lipinski: Kontekst Pravila 5 - nih.gov

  27. Časopis za medicinsku hemiju (ACS publikacije) - Baell i Holloway (2010): PAINS - acs.org

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

  29. PubMed - Rives (2021): modeli proteinskog jezika - nih.gov

  30. PubMed Central - Leek i dr. (2010): efekti serije - nih.gov

  31. PubMed Central - Pregled Difuzije (2025) - nih.gov

  32. FDA - E14 i S7B: klinička i neklinička evaluacija produženja QT/QTc intervala i proaritmičkog potencijala (Q&A) - fda.gov

  33. Evropska agencija za lijekove - Pregled smjernica ICH E14/S7B - europa.eu

  34. USENIX - Carlini i dr. (2021): izdvajanje podataka za obuku iz jezičkih modela - usenix.org

  35. Univerzitet u Edinburghu – Digitalne istraživačke usluge - Resurs za elektronske laboratorijske sveske (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): QSAR domen primjenjivosti - sciencedirect.com

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama

Nazad na blog