Која е улогата на генеративната вештачка интелигенција во откривањето лекови?

Која е улогата на генеративната вештачка интелигенција во откривањето лекови?

Краток одговор: Генеративната вештачка интелигенција главно го забрзува раното откривање на лекови преку генерирање на кандидатски молекули или протеински секвенци, предлагање патишта за синтеза и појавување на проверливи хипотези, така што тимовите можат да спроведуваат помалку „слепи“ експерименти. Најдобро функционира кога се спроведуваат строги ограничувања и се потврдуваат резултатите; третирана како пророк, може да доведе до самодоверба во заблуда.

Клучни заклучоци:

Забрзување : Користете GenAI за да го проширите генерирањето идеи, а потоа стеснете го со ригорозно филтрирање.

Ограничувања : Потребни се опсези на својства, правила на скеле и ограничувања на новости пред генерирање.

Валидација : Третирајте ги резултатите како хипотези; потврдете со тестови и ортогонални модели.

Следливост : Евидентирајте ги упатствата, резултатите и образложението, така што одлуките остануваат ревидирани и прегледливи.

Отпорност на злоупотреба : Спречете протекување и прекумерна самодоверба со управување, контрола на пристап и човечка проверка.

Која е улогата на генеративната вештачка интелигенција во откривањето лекови? Инфографик

Статии што можеби ќе ве интересираат по оваа:

🔗 Улогата на вештачката интелигенција во здравството
Како вештачката интелигенција ги подобрува дијагнозата, работните процеси, грижата за пациентите и исходите.

🔗 Дали вештачката интелигенција ќе ги замени радиолозите?
Истражува како автоматизацијата ја надополнува радиологијата и што останува човечко.

🔗 Дали вештачката интелигенција ќе ги замени лекарите?
Искрено разгледување на влијанието на вештачката интелигенција врз работните места и праксата на лекарите.

🔗 Најдобри алатки за лабораторија со вештачка интелигенција за научни откритија
Врвни лабораториски алатки за вештачка интелигенција за забрзување на експериментите, анализата и откривањето.

Улогата на генеративната вештачка интелигенција во откривањето лекови, во еден здив 😮💨

Генеративната вештачка интелигенција им помага на тимовите за лекови да создаваат кандидатски молекули, да предвидуваат својства, да предлагаат модификации, да предлагаат патишта за синтеза, да истражуваат биолошки хипотези и да ги компресираат итерациските циклуси - особено во раното откривање и оптимизацијата на потенцијалните клиенти. Nature 2023 (преглед на откривањето на лиганди) Преглед на Elsevier 2024 (генеративни модели во de novo дизајнот на лекови)

И да, може со сигурност да генерира бесмислици. Тоа е дел од договорот. Како многу ентузијастичен практикант со ракетен мотор. Водич за клиницисти (ризик од халуцинации) npj Digital Medicine 2025 (халуцинација + безбедносна рамка)

Зошто ова е поважно отколку што луѓето признаваат 💥

Голем дел од работата за откривање е „пребарување“. Пребарување хемиски простор, пребарување биологија, пребарување литература, пребарување односи структура-функција. Проблемот е што хемискиот простор е… во основа бесконечен. Сметки за хемиски истражувања 2015 (хемиски простор) Ирвин и Шоше 2009 (скала на хемиски простор)

Можеш да поминеш повеќе животи пробувајќи „разумни“ варијации.

Генеративната вештачка интелигенција го менува работниот тек од:

  • „Ајде да тестираме што можеме да смислиме“

до:

  • „Ајде да генерираме поголем, попаметен сет на опции, а потоа да ги тестираме најдобрите“

Не станува збор за елиминирање на експериментите. Станува збор за избор на подобри експерименти . 🧠 Nature 2023 (преглед на откривањето на лиганди)

Исто така, и ова е недоволно дискутирано, им помага на тимовите да разговараат низ различни дисциплини . Хемичари, биолози, луѓе од DMPK, компјутерски научници… секој има различни ментални модели. Пристоен генеративен систем може да послужи како споделен блок за скицирање. Преглед на „Граници во откривањето лекови 2024“

Што ја прави една верзија на генеративна вештачка интелигенција добра за откривање лекови? ✅

Не секоја генеративна вештачка интелигенција е создадена еднаква. „Добрата“ верзија за овој простор е помалку за впечатливи демо снимки, а повеќе за несекси сигурност (несекси е доблест овде). Nature 2023 (преглед на откривање на лиганди)

Добрата генеративна вештачка интелигенција обично има:

Ако вашата генеративна вештачка интелигенција не може да се справи со ограничувањата, таа е всушност генератор на новини. Забава на забавите. Помалку забава во програма за дрога.

Каде генеративната вештачка интелигенција се вклопува во процесот на откривање лекови 🧭

Еве ја едноставната ментална мапа. Генеративната вештачка интелигенција може да придонесе во речиси секоја фаза, но најдобро функционира таму каде што итерацијата е скапа, а просторот за хипотези е огромен. Nature 2023 (преглед на откривање на лиганди)

Вообичаени точки на допир:

Во многу програми, најголемите победи доаѓаат од интеграцијата на работниот тек , а не од тоа што еден единствен модел е „генијален“. Моделот е моторот - цевководот е автомобилот. Nature 2023 (преглед на откривање на лиганди)

Табела за споредба: популарни генеративни пристапи со вештачка интелигенција што се користат во откривањето лекови 📊

Малку несовршена маса, бидејќи реалниот живот е малку несовршен.

Алатка / Пристап Најдобро за (публика) Премногу скапо Зошто функционира (и кога не функционира)
Генератори на молекули de novo (SMILES, графикони) Мед хемија + комп хемија $$-$$$ Одлично за брзо истражување на нови аналози 😎 - но може да открие нестабилни несоодветни лица REINVENT 4 GENTRL (Nature Biotech 2019)
Генератори на протеини / структури Биолошки тимови, структурна биологија $$$ Помага да се предложат секвенци + структури - но „изгледа веродостојно“ не е исто што и „функционира“ AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Молекуларен дизајн во дифузиски стил Напредни тимови за машинско учење $$-$$$$ Силен во условувањето со ограничувања и разновидност - поставувањето може да биде… цела работа JCIM 2024 (модели на дифузија) Преглед на дифузија на PMC 2025
Копилоти за предвидување на имот (комбинација QSAR + GenAI) DMPK, проектни тимови $$ Добро за тријажа и рангирање - лошо ако се третира како евангелие 😬 OECD (домен на применливост) ADMETlab 2.0
Планери за ретросинтеза Процесна хемија, CMC $$-$$$ Го забрзува осмислувањето на рутата - сè уште се потребни луѓе за изводливост и безбедност AiZynthFinder 2020 Coley 2018 (CASP)
Мултимодални лабораториски копилоти (текст + податоци за анализа) Преведувачки тимови $$$ Корисно за влечење сигнали низ бази на податоци - склоно кон преголема доверба ако податоците се нерамни Nature 2024 (сериски ефекти во снимањето на клетките) npj Digital Medicine 2025 (мултимодално во биотехнологијата)
Асистенти за литература и хипотези Секој, во пракса $ Многу го скратува времето за читање - но халуцинациите можат да бидат лизгави, како чорапите што исчезнуваат. Модели 2025 (LLM во откривањето лекови) Водич за клиницисти (халуцинации)
Модели на темели по мерка во самата куќа Големи фармацевтски компании, добро финансирани биотехнолошки компании $$$$ Најдобра контрола + интеграција - исто така скапо и бавно за градење (жалам, вистина е) Преглед на Frontiers in Drug Discovery 2024

Белешки: цените варираат значително во зависност од обемот, пресметките, лиценцирањето и дали вашиот тим сака „вклучи и работи“ или „ајде да изградиме вселенски брод“

Подетален поглед: Генеративна вештачка интелигенција за откривање хитови и de novo дизајн 🧩

Ова е главниот случај на употреба: генерирајте кандидатски молекули од нула (или од скеле) кои одговараат на целниот профил. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Како тоа обично функционира во пракса:

  1. Дефинирајте ограничувања

  2. Генерирај кандидати

  3. Филтрирајте агресивно

  4. Изберете мал сет за синтеза

    • луѓето сè уште избираат, бидејќи понекогаш можат да намирисаат глупости

Непријатната вистина: вредноста не се само „нови молекули“. Тоа се нови молекули кои имаат смисла за ограничувањата на вашата програма . Тој последен дел е сè. Природа 2023 (преглед на откривањето на лиганди)

Исто така, доаѓа мало претерување: кога е добро завршено, може да се чувствувате како да сте ангажирале тим од неуморни млади хемичари кои никогаш не спијат и никогаш не се жалат. Од друга страна, тие исто така не разбираат зошто одредена стратегија за заштита е кошмар, па… рамнотежа 😅.

Подетален поглед: Оптимизација на потенцијални клиенти со генеративна вештачка интелигенција (повеќепараметарско подесување) 🎛️

Оптимизацијата на потенцијални клиенти е местото каде што соништата стануваат комплицирани.

Сакате:

  • потенција нагоре

  • селективност нагоре

  • зголемување на метаболичката стабилност

  • растворливост нагоре

  • безбедносните сигнали се спуштени

  • пропустливост „токму како што треба“

  • И сепак да биде синтетизирачки

Ова е класична оптимизација со повеќе цели. Генеративната вештачка интелигенција е невообичаено добра во предлагањето на збир на компромисни решенија, наместо да се преправа дека постои едно совршено соединение. REINVENT 4 Elsevier 2024 преглед (генеративни модели)

Практични начини како тимовите го користат:

  • Аналоген предлог : „Направете 30 варијанти што го намалуваат клиренсот, но ја задржуваат јачината“

  • Супституентно скенирање : водено истражување наместо брутално набројување

  • Скокање на скеле : кога јадрото ќе удри во ѕид (токсичност, IP или стабилност)

  • Објаснувачки предлози : „Оваа поларна група може да помогне во растворливоста, но може да наштети на пропустливоста“ (не секогаш точно, но корисно)

Едно предупредување: предиктори на својства може да бидат кршливи. Ако вашите податоци за обука не се совпаѓаат со вашата хемиска серија, моделот може со сигурност да биде погрешен. На пример, многу погрешен. И нема да се засени. Принципи за валидација на OECD QSAR (домен на применливост) Weaver 2008 (домен на применливост на QSAR)

Подетален преглед: ADMET, токсичност и скрининг „ве молам не ја убивајте програмата“ 🧯

ADMET е местото каде што многу кандидати тивко не успеваат. Генеративната вештачка интелигенција не решава биологија, но може да ги намали грешките што може да се избегнат. ADMETlab 2.0 Waring 2015 (отпуштање)

Вообичаени улоги:

  • предвидување на метаболички обврски (места на метаболизам, трендови на клиренс)

  • означување на веројатни мотиви на токсичност (сигнали, реактивни посредници)

  • проценка на опсезите на растворливост и пропустливост

  • предлагање модификации за намалување на ризикот од hERG или подобрување на стабилноста 🧪 FDA (ICH E14/S7B прашања и одговори) EMA (ICH E14/S7B преглед)

Најефективниот модел има тенденција да изгледа вака: користете GenAI за да предложите опции, но користете специјализирани модели и експерименти за да потврдите.

Генеративната вештачка интелигенција е моторот за идеи. Валидацијата сè уште постои во тестовите.

Подетален поглед: Генеративна вештачка интелигенција за биолошки производи и протеински инженеринг 🧬✨

Откривањето лекови не е само мали молекули. Генеративната вештачка интелигенција се користи и за:

Генерирањето протеини и секвенци може да биде моќно бидејќи „јазикот“ на секвенците изненадувачки добро се мапира со методите за машинско учење. Но, еве го случајниот заклучок: добро се мапира… сè додека не престане. Бидејќи имуногеноста, експресијата, шемите на гликозилација и ограничувањата за развој можат да бидат брутални. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Значи, најдобрите поставки вклучуваат:

  • филтри за развој

  • бодување на ризикот од имуногеност

  • ограничувања на производливоста

  • влажни лабораториски јамки за брза итерација 🧫

Ако ги прескокнете нив, добивате прекрасна секвенца што се однесува како дива во продукција.

Подетален поглед: Планирање на синтеза и предлози за ретросинтеза 🧰

Генеративната вештачка интелигенција се провлекува и во хемиските операции, не само во идејата за молекули.

Планерите за ретросинтеза можат:

  • предлага патишта до целно соединение

  • предложете комерцијално достапни почетни материјали

  • рангирајте ги рутите според бројот на чекори или перцепираната изводливост

  • помогнете им на хемичарите брзо да ги отфрлат „слатките, но невозможни“ идеи AiZynthFinder 2020 Coley 2018 (CASP)

Ова може да заштеди време во реално време, особено кога истражувате многу структури-кандидати. Сепак, луѓето се многу важни овде бидејќи:

  • промени во достапноста на реагенси

  • загриженоста за безбедноста и обемот е реална

  • Некои чекори изгледаат добро на хартија, но постојано не успеваат

Несовршена метафора, но сепак ќе ја користам: ретросинтеза. Вештачката интелигенција е како GPS кој е претежно точен, освен што понекогаш ве води низ езеро и инсистира дека е кратенка. 🚗🌊 Коли 2017 (компјутерски потпомогната ретросинтеза)

Податоци, мултимодални модели и парталавата реалност на лабораториите 🧾🧪

Генеративната вештачка интелигенција ги сака податоците. Лабораториите произведуваат податоци. На хартија, тоа звучи едноставно.

Ха. Не.

Вистинските лабораториски податоци се:

Мултимодалните генеративни системи можат да комбинираат:

Кога функционира, е одлично. Можете да откриете неочигледни шеми и да предложите експерименти што еден специјалист можеби ќе ги пропушти.

Кога не успева, паѓа тивко. Не ја треска вратата. Само ве поттурнува кон погрешен заклучок со сигурност. Затоа управувањето, валидацијата и прегледот на доменот не се опционални. Водич за клиницисти (халуцинации) npj Дигитална медицина 2025 (халуцинација + рамка за безбедност)

Ризици, ограничувања и делот „немојте да ве залаже течниот излез“ ⚠️

Ако се сеќавате само на едно нешто, запомнете го ова: генеративната вештачка интелигенција е убедлива. Може да звучи правилно, а воедно и погрешно. Водич за клиницисти (халуцинации)

Клучни ризици:

Ублажувања што помагаат во пракса:

  • држете ги луѓето во јамката на донесување одлуки

  • евидентирање на барања и излези за следливост

  • валидирајте со ортогонални методи (тестови, алтернативни модели)

  • автоматски спроведува ограничувања и филтри

  • третирајте ги резултатите како хипотези, а не како таблети за вистината - упатство на OECD QSAR

Генеративната вештачка интелигенција е електрична алатка. Електричните алатки не ве прават столар… тие само прават грешки побрзо ако не знаете што правите.

Како тимовите усвојуваат генеративна вештачка интелигенција без хаос 🧩🛠️

Тимовите честопати сакаат да го користат ова без да ја претворат организацијата во научен саем. Практичниот пат за усвојување изгледа вака:

Исто така, не ја потценувајте културата. Ако хемичарите сметаат дека им се наметнува вештачка интелигенција, ќе ја игнорираат. Ако им заштеди време и ја почитува нивната експертиза, брзо ќе ја усвојат. Луѓето се смешни на тој начин 🙂.

Која е улогата на генеративната вештачка интелигенција во откривањето лекови кога ќе се одзумирате? 🔭

Ако се намали, улогата не е „замена на научниците“. Тоа е „проширување на научниот опсег“. Nature 2023 (преглед на откривањето на лиганди)

Им помага на тимовите:

  • истражувајте повеќе хипотези неделно

  • предлага повеќе кандидатски структури по циклус

  • поинтелигентно давање приоритет на експериментите

  • компресирање на итерациските јамки помеѓу дизајнот и тестирањето

  • споделување знаење низ силоси Модели 2025 (LLM во откривање лекови)

И можеби најпотценетиот дел: ви помага да не ја трошите скапата човечка креативност на повторувачки задачи. Луѓето треба да размислуваат за механизам, стратегија и интерпретација - а не да трошат денови рачно генерирајќи списоци со варијанти. Nature 2023 (преглед на откривањето на лиганди)

Значи да, улогата на генеративната вештачка интелигенција во откривањето лекови е забрзувач, генератор, филтер, а понекогаш и проблематичен. Но, вредна.

Заклучок 🧾✅

Генеративната вештачка интелигенција станува основна способност во модерното откривање лекови бидејќи може да генерира молекули, хипотези, секвенци и патишта побрзо од луѓето - и може да им помогне на тимовите да изберат подобри експерименти. Преглед на „Frontiers in Drug Discovery 2024“ Nature 2023 (преглед на откривањето лиганди)

Резиме на точки:

Ако се однесувате кон него како кон соработник - а не како кон пророк - тоа навистина може да ги движи програмите напред. А ако се однесувате кон него како кон пророк... па, можеби повторно ќе завршите следејќи го тој GPS во езерото. 🚗🌊

Најчесто поставувани прашања

Која е улогата на генеративната вештачка интелигенција во откривањето лекови?

Генеративната вештачка интелигенција првенствено го проширува индуктивниот канал во раното откривање и оптимизацијата на потенцијалните клиенти преку предлагање на кандидатски молекули, протеински секвенци, патишта на синтеза и биолошки хипотези. Вредноста е помалку „замена на експерименти“, а повеќе „избирање подобри експерименти“ преку генерирање на многу опции, а потоа силно филтрирање. Најдобро функционира како забрзувач во рамките на дисциплиниран работен тек, а не како самостоен донесувач на одлуки.

Каде генеративната вештачка интелигенција најдобро функционира низ целиот процес на откривање лекови?

Има тенденција да испорача најголема вредност таму каде што просторот за хипотези е огромен, а итерацијата е скапа, како што се идентификација на погодоци, de novo дизајн и оптимизација на потенцијални клиенти. Тимовите го користат и за ADMET тријажа, предлози за ретросинтеза и поддршка на литература или хипотези. Најголемите придобивки обично доаѓаат од интегрирање на генерирањето со филтри, бодување и човечка проверка, наместо да се очекува еден модел да биде „паметен“

Како се поставуваат ограничувања за генеративните модели да не произведуваат бескорисни молекули?

Практичен пристап е да се дефинираат ограничувањата пред генерирањето: опсези на својства (како што се растворливост или logP цели), правила на скеле или подструктура, карактеристики на местото на врзување и ограничувања на новоста. Потоа, се спроведуваат филтри за медицинска хемија (вклучувајќи PAINS/реактивни групи) и проверки на синтетизирање. Генерирањето со ограничување прво е особено корисно со молекуларен дизајн во дифузиски стил и рамки како REINVENT 4, каде што можат да се кодираат повеќецелни цели.

Како тимовите треба да ги потврдат резултатите од GenAI за да избегнат халуцинации и прекумерна самодоверба?

Третирајте го секој излез како хипотеза, а не како заклучок, и валидирајте со анализи и ортогонални модели. Генерирањето на спарувања со агресивно филтрирање, поврзување или бодување каде што е соодветно, и проверки во доменот на применливост за предиктори во стилот на QSAR. Направете ја неизвесноста видлива кога е можно, бидејќи моделите можат со сигурност да погрешат во хемијата надвор од дистрибуција или несигурните биолошки тврдења. Прегледот „човек во јамката“ останува основна безбедносна карактеристика.

Како можете да спречите истекување на податоци, ризик од IP и „меморирани“ излезни податоци?

Користете управување и контроли на пристап за да не се ставаат чувствителни детали од програмата случајно во барањата и евидентирајте ги барањата/излезите за ревизија. Спроведете проверки за новост и сличност за да не се наоѓаат генерираните кандидати премногу блиску до познати соединенија или заштитени региони. Одржувајте јасни правила за тоа кои податоци се дозволени во надворешни системи и претпочитајте контролирани средини за работа со висока чувствителност. Човечкиот преглед помага рано да се забележат „премногу познати“ сугестии.

Како се користи генеративната вештачка интелигенција за оптимизација на потенцијални клиенти и повеќепараметарско подесување?

Во оптимизацијата на потенцијални клиенти, генеративната вештачка интелигенција е вредна бидејќи може да предложи повеќекратни компромисни решенија наместо да брка едно „совршено“ соединение. Вообичаените работни процеси вклучуваат аналогно предлагање, водено скенирање на супституенти и префрлување на скеле кога ограничувањата на моќноста, токсичноста или IP-то го блокираат напредокот. Предикторите на својства можат да бидат кршливи, па тимовите обично ги рангираат кандидатите со повеќе модели, а потоа експериментално ги потврдуваат најдобрите опции.

Може ли генеративната вештачка интелигенција да помогне и со биолошките производи и протеинскиот инженеринг?

Да - тимовите го користат за генерирање на секвенца на антитела, идеи за созревање на афинитет, подобрувања на стабилноста и истражување на ензими или пептиди. Генерирањето на протеини/секвенци може да изгледа веродостојно без да биде развиено, па затоа е важно да се применат филтри за развојливост, имуногеност и производство. Структурните алатки како AlphaFold можат да поддржат расудување, но „веродостојната структура“ сè уште не е доказ за експресија, функција или безбедност. Јамките во влажна лабораторија остануваат неопходни.

Како генеративната вештачка интелигенција го поддржува планирањето на синтезата и ретросинтезата?

Планерите за ретросинтеза можат да предложат рути, почетни материјали и рангирање на рутите за да го забрзаат замислувањето идеи и брзо да ги исклучат неизводливите патеки. Алатките и пристапите како планирањето во стилот на AiZynthFinder се најефикасни кога се комбинираат со проверки на изводливоста од хемичари во реалниот свет. Достапноста, безбедноста, ограничувањата за зголемување на обемот и „реакциите на хартија“ кои не успеваат во пракса, сè уште бараат човечка проценка. Користено на овој начин, се заштедува време без да се преправа дека хемијата е решена.

Референци

  1. Природа - Преглед на откривањето на лиганди (2023) - nature.com

  2. Биотехнологија на природата - GENTRL (2019) - nature.com

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

  4. Природа - РФдифузија (2023) - nature.com

  5. Nature Biotechnology - Генератор на протеини (2024) - nature.com

  6. Nature Communications - Сериски ефекти во снимањето на клетките (2024) - nature.com

  7. npj Дигитална медицина - Халуцинација + безбедносна рамка (2025) - nature.com

  8. npj Дигитална медицина - Мултимодална биотехнологија (2025) - nature.com

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

  10. Клеточни модели - LLM во откривањето лекови (2025) - cell.com

  11. ScienceDirect (Elsevier) - Генеративни модели во de novo дизајн на лекови (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): проблеми со новината/уникатноста - sciencedirect.com

  13. Анализа на медицински слики (ScienceDirect) - Мултимодална вештачка интелигенција во медицината (2025) - sciencedirect.com

  14. PubMed Central - Водич за клиницисти (ризик од халуцинации) - nih.gov

  15. Сметки за хемиски истражувања (Публикации на ACS) - Хемиски простор (2015) - acs.org

  16. PubMed Central - Ирвин и Шојше (2009): хемиска просторна скала - nih.gov

  17. Граници во откривањето лекови (PubMed Central) - Преглед (2024) - nih.gov

  18. Весник за хемиски информации и моделирање (ACS Publications) - Модели на дифузија во de novo дизајн на лекови (2024) - acs.org

  19. PubMed Central - REINVENT 4 (отворен фрејмворк) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (раниот ADMET е важен) - nih.gov

  21. ОЕЦД - Принципи за валидација за регулаторни цели на (Q)SAR модели - oecd.org

  22. ОЕЦД - Документ со упатства за валидација на (Q)SAR модели - oecd.org

  23. Сметки за хемиски истражувања (ACS Publications) - Планирање на синтеза со помош на компјутер / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Компјутерски потпомогната ретросинтеза (Coley, 2017) - acs.org

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

  26. PubMed - Липински: Контекст на правилото од 5 - nih.gov

  27. Весник за медицинска хемија (ACS Publications) - Baell & Holloway (2010): БОЛКИ - acs.org

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

  29. PubMed - Rives (2021): модели на протеински јазик - nih.gov

  30. PubMed Central - Leek et al. (2010): ефекти на серија - nih.gov

  31. PubMed Central - Преглед на Diffusion (2025) - nih.gov

  32. FDA - E14 и S7B: клиничка и неклиничка евалуација на продолжување на QT/QTc интервалот и проаритмиски потенцијал (Q&A) - fda.gov

  33. Европска агенција за лекови - Преглед на упатството E14/S7B на ICH - europa.eu

  34. USENIX - Карлини и др. (2021): извлекување податоци за обука од јазични модели - usenix.org

  35. Универзитет во Единбург – Услуги за дигитални истражувања - Ресурс за електронски лабораториски тетратки (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): QSAR домен на применливост - sciencedirect.com

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас

Назад кон блогот