МИРОВОЙ ТРЕНД ЦИФРОВИЗАЦИИ ФАРМАЦЕВТИЧЕСКОЙ ПРОМЫШЛЕННОСТИ - КОМПЬЮТЕРНАЯ РАЗРАБОТКА ЛЕКАРСТВ И РОБОТИЗАЦИЯ

Adilova  Fatima  To'ychiyevna

В данной статье представлен новейший (2022-2024 гг.) взгляд на проблемы фармакологии и фармацевтической отрасли, в которых искусственный интеллект сыграл ключевую роль в открытии лекарств и улучшении технологий. Несмотря на большие успехи, достигнутые в обработке и анализе биологических и фармакологических данных, необходимо отойти от парадигмы "одно лекарство/одна мишень", которая пока остается основой исследований лекарственных средств. Такой переход невозможно реализовать без внедрения новых математических, компьютерных технологий, которые могут дать фармацевтическим компаниям шанс, который выпадает раз в столетие, но только в том случае, если они научатся решать и масштабировать уникальные задачи отрасли, имея в виду перспективы её роботизации

Название журналаRaqamli iqtisodiyot
Номер выпуска8-son
Количество просмотров 4

Ссылка в интернете https://infocom.uz/magazine-releases

DOI

Дата создание в систему UzSCI 30-10-2024

Количество прочтений 4

Дата публикации 21-10-2024

Язык статьиRus

Страницы306-323

Ключевые слова

искусственный интеллект

большие данные

полифармакология

мультимодальное молекулярное моделирование

Русский

В данной статье представлен новейший (2022-2024 гг.) взгляд на проблемы фармакологии и фармацевтической отрасли, в которых искусственный интеллект сыграл ключевую роль в открытии лекарств и улучшении технологий. Несмотря на большие успехи, достигнутые в обработке и анализе биологических и фармакологических данных, необходимо отойти от парадигмы "одно лекарство/одна мишень", которая пока остается основой исследований лекарственных средств. Такой переход невозможно реализовать без внедрения новых математических, компьютерных технологий, которые могут дать фармацевтическим компаниям шанс, который выпадает раз в столетие, но только в том случае, если они научатся решать и масштабировать уникальные задачи отрасли, имея в виду перспективы её роботизации

Ключевые слова

искусственный интеллект

большие данные

полифармакология

мультимодальное молекулярное моделирование

№ Имя автора Должность Наименование организации

1 Adilova F.T. доктор технических наук, профессор Институт математики им. В. И. Романовского АН Республики Узбекистан

№ Название ссылки

1 Karina Martinez-Mayorga, Abraham Madariaga-Mazon, José L. Medina-Franco Gerald MaggioraThe impact of chemoinformatics on drug discovery in the pharmaceutical industry Expert Opinion on Drug Discovery, 15:3, 293-306, https://doi.org/10.1080/17460441.2020.1696307

2 Lo Y-C, Rensi SE, Torng W, et al. Machine learning in chemoinformatics and drug discovery. Drug Discov Today. 2018;23 (8):1538–1546

3 Kristina Edfeldt, Aled M. Edwards, Ola Engkvist, Judith Günther, Matthew Hartley et all A data science roadmap for open science organizations engaged in early-stage drug discovery Nature Communications | (2024) 15:5640 https://doi.org/10.1038/s41467-024-49777-x

4 Carter, A. J. et al. Target 2035: probing the human proteome. Drug Discov. Today 24, 2111–2115 (2019).

5 For chemists, the AI revolution has yet to happen. Nature 617,438 (2023).

6 Mammoliti, A. et al. Orchestrating and sharing large multimodal data for transparent and reproducible research. Nat. Commun. 12,5797 (2021).

7 Guinney, J. & Saez-Rodriguez, J. Alternative models for sharing confidential biomedical data. Nat. Biotechnol. 36, 391–392 (2018)

8 Goodfellow, I. J., Shlens, J. & Szegedy, C. Explaining and Harnessing Adversarial Examples. Preprint at (2014) https://doi.org/10.48550/ARXIV.1412.6572

9 A. Rollins, Alan C. Cheng, Essam Metwally MolPROP: Molecular Property prediction with multimodal language and graph fusion Journal of Cheminformatics (2024) 16:56 https://doi.org/10.1186/s13321-024-00846-9

10 Ahmad W, Simon E, Chithrananda S, Grand G, Ramsundar B (2022) Chem-BERTa-2: towards chemical foundation models. arXiv. https://doi.org/10.48550/arXiv.2209.01712

11 Kipf TN, Welling M (2017) Semi-supervised classification with graph convolutional networks. arXiv. https://arxiv. org/ abs/ 1609. 02907

12 sBrody S, Alon U, Yahav E (2022) How attentive are graph attention networks? arXiv. https://arxiv.org/abs/2105.14491

13 Wu Z, Ramsundar B, Feinberg EN, Gomes J, Geniesse C, Pappu AS, Leswing K, Pande V (2018) MoleculeNet: a benchmark for molecular machine learning. Chem Sci 9(2):513–530. https://doi.org/10.1039/C7SC02664A

14 Falkner S, Klein A, Hutter F (2018) BOHB: robust and efficient hyperparameter optimization at scale. arXiv. https://doi.org/10.48550/arXiv. 1807.01774

15 Yang K, Swanson K, Jin W, Coley C, Eiden P, Gao H, Guzman-Perez A, Hopper T, Kelley B, Mathea M, Palmer A, Settels V, Jaakkola T, Jensen K, Barzilay R (2019) Analyzing learned molecular representations for property prediction.J Chem Inform Model 59(8):3370–3388. https://doi.org/10.1021/acs.jcim.9b002 37

16 Wang Y, Wang J, Cao Z, Barati Farimani A (2022) Molecular contrastive learning of representations via graph neural networks. Nat Mach Intell 4(3):279–287. https://doi.org/10.1038/s42256-022-00447-x

17 David Weininger. 1988. SMILES, a chemical language and information system. 1.Introduction to methodology and encoding rules. Journal of chemical information and computer sciences 28, 1 (1988), 31–36.

В ожидании

№	Название ссылки
1	Karina Martinez-Mayorga, Abraham Madariaga-Mazon, José L. Medina-Franco Gerald MaggioraThe impact of chemoinformatics on drug discovery in the pharmaceutical industry Expert Opinion on Drug Discovery, 15:3, 293-306, https://doi.org/10.1080/17460441.2020.1696307
2	Lo Y-C, Rensi SE, Torng W, et al. Machine learning in chemoinformatics and drug discovery. Drug Discov Today. 2018;23 (8):1538–1546
3	Kristina Edfeldt, Aled M. Edwards, Ola Engkvist, Judith Günther, Matthew Hartley et all A data science roadmap for open science organizations engaged in early-stage drug discovery Nature Communications \| (2024) 15:5640 https://doi.org/10.1038/s41467-024-49777-x
4	Carter, A. J. et al. Target 2035: probing the human proteome. Drug Discov. Today 24, 2111–2115 (2019).
5	For chemists, the AI revolution has yet to happen. Nature 617,438 (2023).
6	Mammoliti, A. et al. Orchestrating and sharing large multimodal data for transparent and reproducible research. Nat. Commun. 12,5797 (2021).
7	Guinney, J. & Saez-Rodriguez, J. Alternative models for sharing confidential biomedical data. Nat. Biotechnol. 36, 391–392 (2018)
8	Goodfellow, I. J., Shlens, J. & Szegedy, C. Explaining and Harnessing Adversarial Examples. Preprint at (2014) https://doi.org/10.48550/ARXIV.1412.6572
9	A. Rollins, Alan C. Cheng, Essam Metwally MolPROP: Molecular Property prediction with multimodal language and graph fusion Journal of Cheminformatics (2024) 16:56 https://doi.org/10.1186/s13321-024-00846-9
10	Ahmad W, Simon E, Chithrananda S, Grand G, Ramsundar B (2022) Chem-BERTa-2: towards chemical foundation models. arXiv. https://doi.org/10.48550/arXiv.2209.01712
11	Kipf TN, Welling M (2017) Semi-supervised classification with graph convolutional networks. arXiv. https://arxiv. org/ abs/ 1609. 02907
12	sBrody S, Alon U, Yahav E (2022) How attentive are graph attention networks? arXiv. https://arxiv.org/abs/2105.14491
13	Wu Z, Ramsundar B, Feinberg EN, Gomes J, Geniesse C, Pappu AS, Leswing K, Pande V (2018) MoleculeNet: a benchmark for molecular machine learning. Chem Sci 9(2):513–530. https://doi.org/10.1039/C7SC02664A
14	Falkner S, Klein A, Hutter F (2018) BOHB: robust and efficient hyperparameter optimization at scale. arXiv. https://doi.org/10.48550/arXiv. 1807.01774
15	Yang K, Swanson K, Jin W, Coley C, Eiden P, Gao H, Guzman-Perez A, Hopper T, Kelley B, Mathea M, Palmer A, Settels V, Jaakkola T, Jensen K, Barzilay R (2019) Analyzing learned molecular representations for property prediction.J Chem Inform Model 59(8):3370–3388. https://doi.org/10.1021/acs.jcim.9b002 37
16	Wang Y, Wang J, Cao Z, Barati Farimani A (2022) Molecular contrastive learning of representations via graph neural networks. Nat Mach Intell 4(3):279–287. https://doi.org/10.1038/s42256-022-00447-x
17	David Weininger. 1988. SMILES, a chemical language and information system. 1.Introduction to methodology and encoding rules. Journal of chemical information and computer sciences 28, 1 (1988), 31–36.