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 pouzdanjem.
Ključne zaključke:
Ubrzanje : Koristite GenAI za proširenje generiranja ideja, a zatim suzite rigoroznim filtriranjem.
Ograničenja : Zahtijevajte raspone svojstava, pravila scaffolda i ograničenja novosti prije generiranja.
Validacija : Izlazne podatke tretirati kao hipoteze; potvrditi testovima i ortogonalnim modelima.
Sljedivost : Zabilježite upute, rezultate i obrazloženje kako bi odluke ostale podložne reviziji i pregledu.
Otpornost na zlouporabu : Spriječite curenje informacija i pretjerano samopouzdanje upravljanjem, kontrolama pristupa i ljudskim pregledom.
Članci koje biste možda željeli pročitati nakon ovog:
🔗 Uloga umjetne inteligencije u zdravstvu
Kako umjetna inteligencija poboljšava dijagnozu, tijekove rada, skrb o pacijentima i ishode.
🔗 Hoće li umjetna inteligencija zamijeniti radiologe?
Istražuje kako automatizacija proširuje radiologiju i što ostaje ljudsko.
🔗 Hoće li umjetna inteligencija zamijeniti liječnike?
Iskreni pogled na utjecaj umjetne inteligencije na poslove i praksu liječnika.
🔗 Najbolji alati umjetne inteligencije za znanstvena otkrića
Vrhunski alati za umjetnu inteligenciju u laboratoriju za ubrzavanje eksperimenata, analize i otkrića.
Uloga generativne umjetne inteligencije u otkrivanju lijekova, u jednom dahu 😮💨
Generativna umjetna inteligencija pomaže timovima za lijekove u stvaranju molekula kandidata, predviđanju svojstava, predlaganju modifikacija, predlaganju puteva sinteze, istraživanju bioloških hipoteza i komprimiranju iteracijskih ciklusa - posebno u ranom otkrivanju i optimizaciji potencijalnih lijekova. Nature 2023 (pregled otkrića liganda) Elsevier 2024 (generativni modeli u de novo dizajnu lijekova)
I da, također može samouvjereno generirati gluposti. To je dio dogovora. Poput vrlo entuzijastičnog pripravnika s raketnim motorom. Vodič za kliničare (rizik od halucinacija) npj Digital Medicine 2025 (halucinacije + sigurnosni okvir)
Zašto je ovo važnije nego što ljudi priznaju 💥
Velik dio istraživačkog rada je „pretraga“. Pretraži kemijski prostor, pretraži biologiju, pretraži literaturu, pretraži odnose strukture i funkcije. Problem je što je kemijski prostor... u osnovi beskonačan. Accounts of Chemical Research 2015 (kemijski prostor) Irwin & Shoichet 2009 (skala kemijskog prostora)
Mogli biste provesti više života isprobavajući samo „razumne“ varijacije.
Generativna umjetna inteligencija pomiče tijek rada s:
-
"Testirajmo što nam pada na pamet"
do:
-
„Generirajmo veći, pametniji skup opcija, a zatim testirajmo najbolje.“
Ne radi se o eliminiranju eksperimenata. Radi se o odabiru boljih eksperimenata . 🧠 Nature 2023 (pregled otkrića liganda)
Također, a o tome se premalo raspravlja, pomaže timovima da razgovaraju između različitih disciplina . Kemičari, biolozi, DMPK-ovci, računalni znanstvenici... svi imaju različite mentalne modele. Pristojan generativni sustav može poslužiti kao zajednička skicirka. Recenzija knjige Frontiers in Drug Discovery 2024.
Što 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 neprivlačnu pouzdanost (neprivlačnost je ovdje vrlina). Nature 2023 (pregled otkrića liganda)
Dobra generativna umjetna inteligencija obično ima:
-
Uzemljenje domene : obučeno ili prilagođeno kemijskim, biološkim i farmakološkim podacima (ne samo generičkim tekstom) 🧬 Elsevier 2024. pregled (generativni modeli)
-
Ograničenja - prva generacija : može se pridržavati pravila poput raspona lipofilnosti, ograničenja skele, značajki mjesta vezanja, ciljeva selektivnosti JCIM 2024 (difuzijski modeli u de novo dizajnu lijekova) REINVENT 4 (otvoreni okvir)
-
Svijest o svojstvima : generira molekule koje nisu samo nove, već i „nisu smiješne“ u ADMET terminima ADMETlab 2.0 (zašto je rani ADMET važan)
-
Izvještavanje o nesigurnosti : signalizira kada je riječ o nagađanju, a kada je pouzdano (čak i grubi pojas pouzdanosti pomaže) OECD-ova načela validacije QSAR-a (domena primjenjivosti)
-
Kontrole uz pomoć čovjeka : kemičari mogu brzo upravljati, odbacivati i voditi rezultate Nature 2023 (tijek rada + kontekst tehnologije otkrivanja)
-
Sljedivost : možete vidjeti zašto se prijedlog dogodio (barem djelomično) ili se pridržavate smjernica OECD-a za QSAR (transparentnost modela + validacija)
-
Evaluacijski sustav : spajanje, QSAR, filteri, provjere retrosinteze - sve povezano 🔧 Nature 2023 (pregled otkrića liganda) Strojno učenje u CASP-u (Coley 2018)
-
Kontrole pristranosti i curenja : kako bi se izbjeglo uvlačenje pamćenja podataka za obuku (da, događa se) USENIX 2021 (ekstrakcija podataka za obuku) Vogt 2023 (problemi s novostima/jedinstvenošću)
Ako vaša generativna umjetna inteligencija ne može podnijeti ograničenja, ona je u osnovi generator novosti. Zabavno na zabavama. Manje zabavno u programu za liječenje 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 funkcionira tamo gdje je iteracija skupa, a prostor za hipoteze ogroman. Nature 2023 (pregled otkrića liganda)
Uobičajene dodirne točke:
-
Otkrivanje i validacija ciljeva (hipoteze, mapiranje puteva, prijedlozi biomarkera) Pregled Frontiers in Drug Discovery 2024
-
Identifikacija pogodaka (virtualno proširenje probira, generiranje de novo pogodaka) Nature Biotechnology 2019 (GENTRL)
-
Optimizacija potencijalnih klijenata (predlaganje analoga, višeparametarsko podešavanje) REINVENT 4
-
Predklinička podrška (predviđanje ADMET svojstava, ponekad savjeti za formulaciju) ADMETlab 2.0
-
CMC i planiranje sinteze (prijedlozi za retrosintezu, trijaža ruta) AiZynthFinder 2020 Coley 2017 (računalno potpomognuta retrosinteza)
-
Rad sa znanjem (sinteza literature, sažeci konkurentskog okruženja) 📚 Obrasci 2025. (LLM u otkrivanju lijekova)
U mnogim programima, najveće pobjede dolaze iz integracije tijeka rada , a ne iz toga što je jedan model „genijalan“. Model je motor - cjevovod je automobil. Nature 2023 (pregled otkrića liganda)
Tablica usporedbe: popularni generativni pristupi umjetne inteligencije koji se koriste u otkrivanju lijekova 📊
Malo nesavršena tablica, jer je stvarni život malo nesavršen.
| Alat / Pristup | Najbolje za (publiku) | Prilično skupo | Zašto funkcionira (i kada ne funkcionira) |
|---|---|---|---|
| De novo generatori molekula (SMILES, grafovi) | Medicinska kemija + komp. kemija | $$-$$$ | Izvrstan u brzom istraživanju novih analoga 😎 - ali može izbaciti nestabilne neprilagođene tvari REINVENT 4 GENTRL (Nature Biotech 2019) |
| Generatori proteina / strukture | Biološki timovi, strukturna biologija | $$$ | Pomaže u predlaganju sekvenci + struktura - ali „izgleda uvjerljivo“ nije isto što i „radi“ AlphaFold (Nature 2021) RFdiffusion (Nature 2023) |
| Molekularni dizajn difuzijskog stila | Napredni timovi za strojno učenje | $$-$$$$ | Jaki u uvjetovanju ograničenja i raznolikosti - postavka može biti… cijela stvar JCIM 2024 (difuzijski modeli) PMC 2025 pregled difuzije |
| Kopiloti za predviđanje nekretnina (kombinacija QSAR + GenAI) | DMPK, projektni timovi | $$ | Dobro za trijažu i rangiranje - loše ako se tretira kao evanđelje 😬 OECD (domena primjenjivosti) ADMETlab 2.0 |
| Planeri retrosinteze | Procesna kemija, CMC | $$-$$$ | Ubrzava ideju za rute - i dalje su potrebni ljudi za izvedivost i sigurnost AiZynthFinder 2020 Coley 2018 (CASP) |
| Multimodalni laboratorijski kopiloti (tekst + podaci ispitivanja) | Prevoditeljski timovi | $$$ | Korisno za povlačenje signala iz skupova podataka - sklono prevelikom samopouzdanju ako su podaci nepotpuni Nature 2024 (učinci skupova u snimanju stanica) npj Digital Medicine 2025 (multimodalni u biotehnologiji) |
| Asistenti za literaturu i hipoteze | Svi, u praksi | $ | Znatno skraćuje vrijeme čitanja - ali halucinacije mogu biti skliske, poput čarapa koje nestaju. Uzorci 2025. (LLM u otkrivanju lijekova) Vodič za kliničare (halucinacije) |
| Prilagođeni modeli temelja po mjeri | Velike farmaceutske tvrtke, dobro financirane biotehnološke tvrtke | $$$$ | Najbolja kontrola + integracija - također skupo i sporo za izgradnju (žao mi je, istina je) Recenzija Frontiers in Drug Discovery 2024 |
Napomene: cijene se uvelike razlikuju ovisno o opsegu, računalnoj snazi, licenciranju i želi li vaš tim "plug and play" ili "izgradimo svemirski brod"
Detaljniji pogled: Generativna umjetna inteligencija za otkrivanje hitova i de novo dizajn 🧩
Ovo je glavni slučaj upotrebe: generiranje molekula kandidata od nule (ili iz skele) koje odgovaraju ciljnom profilu. Nature Biotechnology 2019 (GENTRL) REINVENT 4
Kako to obično funkcionira u praksi:
-
Definiraj ograničenja
-
ciljna klasa, oblik veznog džepa, poznati ligandi
-
rasponi svojstava (topljivost, logP, PSA itd.) Lipinski (kontekst pravila 5)
-
ograničenja novosti (izbjegavajte poznate IP zone) 🧠 Vogt 2023 (evaluacija novosti)
-
-
Generiraj kandidate
-
skakanje s skele
-
rast fragmenata
-
Prijedlozi za "ukrašavanje ove jezgre"
-
višeciljno generiranje (vezivanje + propusnost + netoksičnost) REINVENT 4 Elsevier 2024 pregled (generativni modeli)
-
-
Agresivno filtrirajte
-
pravila medicinske kemije
-
PAINS i reaktivni grupni filteri Baell & Holloway 2010 (PAINS)
-
provjere sintetizabilnosti AiZynthFinder 2020
-
spajanje / bodovanje (nesavršeno, ali korisno) Nature 2023 (pregled otkrića liganda)
-
-
Odaberite mali skup za sintezu
-
ljudi još uvijek biraju, jer ponekad mogu namirisati gluposti
-
Neugodna istina: vrijednost nisu samo „nove molekule“. To su nove molekule koje imaju smisla za ograničenja vašeg programa . Taj posljednji dio je sve. Nature 2023 (pregled otkrića liganda)
Također, blago pretjerivanje: kada se dobro napravi, može se činiti kao da ste zaposlili tim neumornih mlađih kemičara koji nikad ne spavaju i nikad se ne žale. S druge strane, oni također ne razumiju zašto je određena strategija zaštite noćna mora, pa... ravnoteža 😅.
Detaljniji pogled: Optimizacija potencijalnih klijenata generativnom umjetnom inteligencijom (višeparametarsko podešavanje) 🎛️
Optimizacija potencijalnih klijenata je mjesto gdje snovi postaju komplicirani.
Želite:
-
povećanje potencije
-
selektivnost prema gore
-
metabolička stabilnost
-
topljivost prema gore
-
sigurnosni signali isključeni
-
propusnost "taman kako treba"
-
I još uvijek biti sintetizirajući
Ovo je klasična višeciljna optimizacija. Generativna umjetna inteligencija neobično je dobra u predlaganju skupa kompromisnih rješenja, umjesto da se pretvara da postoji jedan savršeni spoj. REINVENT 4 Elsevier 2024 recenzija (generativni modeli)
Praktični načini na koje ga timovi koriste:
-
Analogni prijedlog : „Napravite 30 varijanti koje smanjuju klirens, ali zadržavaju potentnost“
-
Skeniranje supstituenata : vođeno istraživanje umjesto nabrajanja grubom silom
-
Skakanje po skeli : kada jezgra udari u zid (toksičnost, IP ili stabilnost)
-
Prijedlozi objašnjenja : „Ova polarna skupina može poboljšati topljivost, ali može smanjiti propusnost“ (nije uvijek točno, ali je korisno)
Jedno upozorenje: prediktori svojstava mogu biti krhki. Ako se vaši podaci za obuku ne podudaraju s vašim kemijskim nizom, model može biti samouvjereno pogrešan. Kao, vrlo pogrešan. I neće pocrvenjeti. OECD QSAR principi validacije (domena primjenjivosti) Weaver 2008 (QSAR domena primjenjivosti)
Detaljniji pogled: ADMET, toksičnost i probir "molim vas, nemojte ubiti program" 🧯
ADMET je mjesto gdje mnogi kandidati tiho ne uspiju. Generativna umjetna inteligencija ne rješava biologiju, ali može smanjiti pogreške koje se mogu izbjeći. ADMETlab 2.0 Waring 2015 (osip)
Uobičajene uloge:
-
predviđanje metaboličkih odgovornosti (mjesta metabolizma, trendovi čišćenja)
-
označavanje vjerojatnih motiva toksičnosti (upozorenja, pokazatelji reaktivnih međuprodukata)
-
procjena raspona topljivosti i propusnosti
-
predlažu se modifikacije za smanjenje rizika od hERG-a ili poboljšanje stabilnosti 🧪 FDA (ICH E14/S7B pitanja i odgovori) EMA (pregled ICH E14/S7B)
Najučinkovitiji obrazac obično izgleda ovako: koristite GenAI za predlaganje opcija, ali koristite specijalizirane modele i eksperimente za provjeru.
Generativna umjetna inteligencija je motor ideja. Validacija još uvijek postoji u testovima.
Detaljniji pogled: Generativna umjetna inteligencija za biološke lijekove i proteinski inženjering 🧬✨
Otkrivanje lijekova ne obuhvaća samo male molekule. Generativna umjetna inteligencija koristi se i za:
-
generiranje sekvence antitijela
-
prijedlozi za sazrijevanje afiniteta
-
poboljšanja stabilnosti proteina
-
enzimski inženjering
-
istraživanje peptidne terapije ProteinMPNN (Znanost 2022.) Rives 2021. (modeli proteinskog jezika)
Generiranje proteina i sekvenci može biti moćno jer se „jezik“ sekvenci iznenađujuće dobro preslikava na ML metode. Ali evo ležernog povratka: dobro se preslikava... dok se 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 razvojljivosti
-
bodovanje rizika imunogenosti
-
ograničenja proizvodljivosti
-
mokre laboratorijske petlje za brzu iteraciju 🧫
Ako ih preskočite, dobit ćete prekrasan slijed koji se u produkciji ponaša kao diva.
Detaljniji pogled: Planiranje sinteze i prijedlozi za retrosintezu 🧰
Generativna umjetna inteligencija prodire i u kemijske operacije, ne samo u stvaranje ideja za molekule.
Planeri retrosinteze mogu:
-
predložiti putove do ciljnog spoja
-
predložiti komercijalno dostupne početne materijale
-
rangiranje ruta prema broju koraka ili percipiranoj izvedivosti
-
pomoći kemičarima da brzo isključe „slatke, ali nemoguće“ ideje AiZynthFinder 2020 Coley 2018 (CASP)
To može uštedjeti stvarno vrijeme, posebno kada istražujete mnogo kandidatskih struktura. Ipak, ljudi su ovdje jako važni jer:
-
promjene dostupnosti reagensa
-
zabrinutost za sigurnost i opseg su stvarni
-
Neki koraci izgledaju dobro na papiru, ali opetovano ne uspijevaju
Nije baš savršena metafora, ali svejedno ću je upotrijebiti: retrosintetska umjetna inteligencija je poput GPS-a koji je uglavnom točan, osim što vas ponekad usmjerava kroz jezero i inzistira da je to prečac. 🚗🌊 Coley 2017 (računalno potpomognuta retrosinteza)
Podaci, multimodalni modeli i surova stvarnost laboratorija 🧾🧪
Generativna umjetna inteligencija voli podatke. Laboratoriji proizvode podatke. Na papiru to zvuči jednostavno.
Ha. Ne.
Pravi laboratorijski podaci su:
-
nepotpun
-
glasan
-
pun šaržnih učinaka Leek i sur. 2010. (šaržni učinci) Nature 2024. (šaržni učinci u snimanju stanica)
-
raspršeno po formatima
-
blagoslovljen „kreativnim“ konvencijama imenovanja
Multimodalni generativni sustavi mogu kombinirati:
-
rezultati analize
-
kemijske strukture
-
slike (mikroskopija, histologija)
-
omika (transkriptomika, proteomika)
-
tekst (protokoli, ELN-ovi, izvješća) npj Digitalna medicina 2025. (multimodalna u biotehnologiji) Analiza medicinske slike 2025. (multimodalna umjetna inteligencija u medicini)
Kad funkcionira, to je sjajno. Možete otkriti neočite obrasce i predložiti eksperimente koje bi jedan stručnjak mogao propustiti.
Kad ne uspije, ne uspije tiho. Ne zalupi vratima. Samo vas gura prema 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 ispisom“ ⚠️
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:
-
Halucinirani mehanizmi : uvjerljiva biologija koja nije stvarna Vodič za kliničare (halucinacije)
-
Curenje podataka : generiranje nečega previše bliskog poznatim spojevima USENIX 2021 (ekstrakcija podataka za obuku) Vogt 2023 (problemi novosti/jedinstvenosti)
-
Prekomjerna optimizacija : jurnjava za predviđenim rezultatima koji se ne prevode in vitro Nature 2023 (pregled otkrića liganda)
-
Pristranost : podaci o obuci iskrivljeni prema određenim kemotipovima ili ciljevima Vogt 2023 (procjena modela + pristranost/novost)
-
Lažna novost : „nove“ molekule koje su zapravo trivijalne varijante Vogt 2023
-
Nedostaci u objašnjavanju : teško je opravdati odluke dionicima OECD-ova načela validacije QSAR-a
-
Sigurnost i IP problemi : osjetljivi detalji programa u upitima 😬 USENIX 2021 (ekstrakcija podataka za obuku)
Ublažavanja koja pomažu u praksi:
-
zadržati ljude u petlji odlučivanja
-
upute za zapisivanje i izlazi za sljedivost
-
validirati ortogonalnim metodama (testovi, alternativni modeli)
-
automatski provodi ograničenja i filtere
-
tretirati rezultate kao hipoteze, a ne kao tablice istine OECD-ove QSAR smjernice
Generativna umjetna inteligencija je električni alat. Električni alati vas ne čine stolarom... oni samo brže griješe ako ne znate što radite.
Kako timovi usvajaju generativnu umjetnu inteligenciju bez kaosa 🧩🛠️
Timovi često žele koristiti ovo bez pretvaranja organizacije u znanstveni sajam. Praktičan put usvajanja izgleda ovako:
-
Započnite s jednim uskim grlom (proširenje pogotka, generiranje analoga, trijaža literature) Nature 2023 (pregled otkrića liganda)
-
Izgradite čvrstu petlju evaluacije (filteri + spajanje + provjere svojstava + kemijski pregled) REINVENT 4 AiZynthFinder 2020
-
Mjerenje ishoda (ušteda vremena, stopa pogodaka, smanjenje odustajanja) Waring 2015 (odustajanje)
-
Integracija s postojećim alatima (ELN, registar spojeva, baze podataka za testove) Edinburgh ELN resurs
-
Izradite pravila korištenja (što se može zatražiti, što ostaje izvan mreže, koraci pregleda) USENIX 2021 (rizik od ekstrakcije podataka)
-
Nježno obučavajte ljude (ozbiljno, većina pogrešaka dolazi od pogrešne upotrebe, a ne od modela) Vodič za kliničare (halucinacije)
Također, nemojte podcijeniti kulturu. Ako kemičari osjećaju da im se nameće umjetna inteligencija, ignorirat će je. Ako im to štedi 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 znanstvenike". To je "proširiti znanstveni opseg". Nature 2023 (pregled otkrića liganda)
Pomaže timovima:
-
istražiti više hipoteza tjedno
-
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 najpodcijenjeniji 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 popise varijanti. Nature 2023 (pregled otkrića liganda)
Dakle, da, uloga generativne umjetne inteligencije u otkrivanju lijekova je akcelerator, generator, filter, a ponekad i problematična. 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 u odabiru boljih eksperimenata. Pregled Frontiers in Drug Discovery 2024 Nature 2023 (pregled otkrivanja liganda)
Sažetak grafičkih oznaka:
-
Najbolji je u ranom otkrivanju i optimizacije potencijalnih klijenata ⚙️ REINVENT 4
-
Podržava male molekule i biološke lijekove GENTRL (Nature Biotech 2019) ProteinMPNN (Science 2022)
-
Povećava produktivnost širenjem toka ideja Nature 2023 (pregled otkrića liganda)
-
Potrebna su ograničenja, validacija i ljudi kako bi se izbjegle samouvjerene besmislice OECD QSAR principi Vodič za kliničare (halucinacije)
-
Najveći dobici dolaze iz integracije tijeka rada , a ne iz marketinške pjene Nature 2023 (pregled otkrića liganda)
Ako ga tretirate kao suradnika - a ne kao proročište - on zaista može pokrenuti programe naprijed. A ako ga tretirate kao proročište... pa, mogli biste na kraju opet slijediti 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 predlažući molekule kandidate, proteinske sekvence, puteve sinteze i biološke hipoteze. 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 tijeka rada, a ne kao samostalni donositelj 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 je 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 postaviti ograničenja tako da generativni modeli ne proizvode beskorisne molekule?
Praktičan pristup je definirati ograničenja prije generiranja: raspone svojstava (poput ciljeva topljivosti ili logP), pravila skele ili podstrukture, značajke mjesta vezanja i granice novosti. Zatim se primjenjuju filteri medicinske kemije (uključujući PAINS/reaktivne skupine) i provjere sintetizabilnosti. Generiranje s ograničenjima prvo je korisno kod molekularnog dizajna difuzijskog stila i okvira poput REINVENT 4, gdje se mogu kodirati višeciljni ciljevi.
Kako bi timovi trebali validirati GenAI rezultate kako bi izbjegli halucinacije i pretjerano samopouzdanje?
Svaki izlaz tretirajte kao hipotezu, a ne kao zaključak, i validirajte ga testovima i ortogonalnim modelima. Generiranje parova s agresivnim filtriranjem, spajanjem ili bodovanjem gdje je to prikladno i provjerama domene primjenjivosti za prediktore u stilu QSAR-a. Učinite nesigurnost vidljivom kad god je to moguće, jer modeli mogu biti samouvjereno pogrešni u vezi s kemijom izvan distribucije ili nesigurnim biološkim tvrdnjama. Pregled "ljudi u krugu" ostaje ključna sigurnosna značajka.
Kako možete spriječiti curenje podataka, rizik IP-a i „memorirane“ izlaze?
Koristite kontrole upravljanja i pristupa kako se osjetljivi detalji programa ne bi ležerno stavljali u upite i zapisujte upite/izlaze radi provjere. Provedite provjere novosti i sličnosti kako generirani kandidati ne bi bili preblizu poznatim spojevima ili zaštićenim područjima. Održavajte jasna pravila o tome koji su podaci dopušteni u vanjskim sustavima i preferirajte kontrolirana okruženja za rad s visokom osjetljivošću. Ljudski pregled pomaže u ranom prepoznavanju „previše poznatih“ prijedloga.
Kako se generativna umjetna inteligencija koristi za optimizaciju potencijalnih klijenata i višeparametarsko podešavanje?
U optimizaciji potencijalnih klijenata, generativna umjetna inteligencija je vrijedna jer može predložiti više kompromisnih rješenja umjesto da se juri za jednim „savršenim“ spojem. Uobičajeni tijekovi rada uključuju analogne prijedloge, vođeno skeniranje supstituenata i prelazak s jedne skele na drugu 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 inženjerstvom?
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, stoga je važno primijeniti filtere razvojnosti, imunogenosti i proizvodnosti. Strukturni alati poput AlphaFolda mogu podržati zaključivanje, ali „uvjerljiva struktura“ još uvijek nije dokaz ekspresije, funkcije ili sigurnosti. Petlje mokrog laboratorija ostaju bitne.
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 neizvedive putove. Alati i pristupi poput planiranja u stilu AiZynthFindera najučinkovitiji su kada se upare s provjerama izvedivosti u stvarnom svijetu od strane kemičara. Dostupnost, sigurnost, ograničenja skaliranja i „reakcije na papiru“ koje u praksi ne uspijevaju i dalje zahtijevaju ljudsku prosudbu. Na ovaj način štedi se vrijeme bez pretvaranja da je kemija riješena.
Reference
-
Nature - Pregled otkrića liganda (2023.) - nature.com
-
Prirodna biotehnologija - GENTRL (2019) - nature.com
-
Priroda - AlphaFold (2021) - nature.com
-
Priroda - RF difuzija (2023) - nature.com
-
Prirodna biotehnologija - Generator proteina (2024.) - nature.com
-
Nature Communications - Serijski efekti u snimanju stanica (2024.) - nature.com
-
npj Digitalna medicina - Halucinacije + sigurnosni okvir (2025.) - nature.com
-
npj Digitalna medicina - Multimodalni pristup u biotehnologiji (2025.) - nature.com
-
Znanost - ProteinMPNN (2022) - science.org
-
Stanični obrasci - LLM u otkrivanju lijekova (2025.) - cell.com
-
ScienceDirect (Elsevier) - Generativni modeli u de novo dizajnu lijekova (2024.) - sciencedirect.com
-
ScienceDirect (Elsevier) - Vogt (2023): zabrinutost zbog novosti/jedinstvenosti - sciencedirect.com
-
Analiza medicinskih slika (ScienceDirect) - Multimodalna umjetna inteligencija u medicini (2025.) - sciencedirect.com
-
PubMed Central - Vodič za kliničare (rizik od halucinacija) - nih.gov
-
Prikazi kemijskih istraživanja (ACS publikacije) - Kemijski prostor (2015.) - acs.org
-
PubMed Central - Irwin i Shoichet (2009): kemijska prostorna skala - nih.gov
-
Granice u otkrivanju lijekova (PubMed Central) - pregled (2024.) - nih.gov
-
Časopis za kemijske informacije i modeliranje (ACS publikacije) - Difuzijski modeli u de novo dizajnu lijekova (2024.) - acs.org
-
PubMed Central - REINVENT 4 (otvoreni okvir) - nih.gov
-
PubMed Central - ADMETlab 2.0 (rana pitanja ADMET-a) - nih.gov
-
OECD - Načela za validaciju (Q)SAR modela u regulatorne svrhe - oecd.org
-
OECD - Smjernice za validaciju (Q)SAR modela - oecd.org
-
Izvještaji o kemijskim istraživanjima (ACS publikacije) - Računalno potpomognuto planiranje sinteze / CASP (Coley, 2018.) - acs.org
-
ACS Central Science (ACS Publications) - Računalno potpomognuta retrosinteza (Coley, 2017.) - acs.org
-
PubMed Central - AiZynthFinder (2020) - nih.gov
-
PubMed - Lipinski: Kontekst pravila 5 - nih.gov
-
Časopis za medicinsku kemiju (ACS publikacije) - Baell i Holloway (2010): PAINS - acs.org
-
PubMed - Waring (2015): osipanje - nih.gov
-
PubMed - Rives (2021): modeli proteinskog jezika - nih.gov
-
PubMed Central - Leek i sur. (2010): učinci serije - nih.gov
-
PubMed Central - Pregled časopisa Diffusion (2025.) - nih.gov
-
FDA - E14 i S7B: klinička i neklinička evaluacija produljenja QT/QTc intervala i proaritmičkog potencijala (Q&A) - fda.gov
-
Europska agencija za lijekove - Pregled smjernica ICH E14/S7B - europa.eu
-
USENIX - Carlini i dr. (2021): izdvajanje podataka za obuku iz jezičnih modela - usenix.org
-
Sveučilište u Edinburghu – Digitalne istraživačke usluge - Izvor elektroničkih laboratorijskih bilježnica (ELN) - ed.ac.uk
-
ScienceDirect (Elsevier) - Weaver (2008): QSAR domena primjenjivosti - sciencedirect.com