ចម្លើយខ្លី៖ បញ្ញាសិប្បនិម្មិតបង្កើតថ្មី (AI) បង្កើនល្បឿនការរកឃើញថ្នាំដំបូងជាចម្បងដោយបង្កើតម៉ូលេគុលបេក្ខជន ឬលំដាប់ប្រូតេអ៊ីន ស្នើផ្លូវសំយោគ និងបង្ហាញសម្មតិកម្មដែលអាចសាកល្បងបាន ដូច្នេះក្រុមអាចដំណើរការការពិសោធន៍ "ងងឹតងងល់" តិចជាងមុន។ វាដំណើរការល្អបំផុតនៅពេលអ្នកអនុវត្តការរឹតបន្តឹងរឹង និងផ្ទៀងផ្ទាត់លទ្ធផល។ ប្រសិនបើត្រូវបានចាត់ទុកដូចជាអ្នកព្យាករណ៍ វាអាចបំភាន់ដោយមានទំនុកចិត្ត។
ចំណុចសំខាន់ៗ៖
ការបង្កើនល្បឿន៖ ប្រើប្រាស់ GenAI ដើម្បីពង្រីកការបង្កើតគំនិត បន្ទាប់មកបង្រួមវាដោយការច្រោះយ៉ាងម៉ត់ចត់។
ការរឹតបន្តឹង៖ តម្រូវឱ្យមានជួរលក្ខណៈសម្បត្តិ ច្បាប់រនាំង និងដែនកំណត់នៃភាពថ្មីមុនពេលបង្កើត។
ការផ្ទៀងផ្ទាត់៖ ចាត់ទុកលទ្ធផលជាសម្មតិកម្ម។ បញ្ជាក់ដោយប្រើការវិភាគ និងគំរូអ័រថូហ្គោណាល់។
ភាពអាចតាមដានបាន៖ កត់ត្រាការជំរុញ លទ្ធផល និងហេតុផល ដើម្បីឱ្យការសម្រេចចិត្តនៅតែអាចធ្វើសវនកម្ម និងអាចពិនិត្យឡើងវិញបាន។
ភាពធន់នឹងការប្រើប្រាស់ខុស៖ ការពារការលេចធ្លាយ និងទំនុកចិត្តលើសលប់ជាមួយនឹងការគ្រប់គ្រង ការគ្រប់គ្រងការចូលប្រើ និងការពិនិត្យឡើងវិញដោយមនុស្ស។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តួនាទីរបស់ AI ក្នុងវិស័យថែទាំសុខភាព
របៀបដែល AI ធ្វើអោយប្រសើរឡើងនូវការធ្វើរោគវិនិច្ឆ័យ លំហូរការងារ ការថែទាំអ្នកជំងឺ និងលទ្ធផល។.
🔗 តើ AI នឹងជំនួសអ្នកជំនាញខាងវិទ្យុសកម្មដែរឬទេ?
ស្វែងយល់ពីរបៀបដែលស្វ័យប្រវត្តិកម្មបង្កើនវិទ្យុសកម្ម និងអ្វីដែលនៅតែជាមនុស្ស។.
🔗 តើ AI នឹងជំនួសវេជ្ជបណ្ឌិតដែរឬទេ?
ពិនិត្យមើលដោយស្មោះត្រង់អំពីផលប៉ះពាល់របស់ AI ទៅលើការងារ និងការអនុវត្តរបស់វេជ្ជបណ្ឌិត។.
🔗 ឧបករណ៍ពិសោធន៍ AI ល្អបំផុតសម្រាប់ការរកឃើញវិទ្យាសាស្ត្រ
ឧបករណ៍មន្ទីរពិសោធន៍ AI កំពូលៗ ដើម្បីពន្លឿនការពិសោធន៍ ការវិភាគ និងការរកឃើញ។.
តួនាទីរបស់ AI ដែលអាចបង្កើតថ្មីបានក្នុងការស្វែងរកគ្រឿងញៀន ក្នុងមួយដង្ហើម 😮💨
សិប្បនិម្មិត (AI) ជួយក្រុមឱសថ បង្កើត ម៉ូលេគុលបេក្ខជន ព្យាករណ៍លក្ខណៈសម្បត្តិ ស្នើការកែប្រែ ស្នើផ្លូវសំយោគ ស្វែងយល់ពីសម្មតិកម្មជីវសាស្ត្រ និងបង្រួមវដ្តនៃការធ្វើម្តងទៀត - ជាពិសេសក្នុងការរកឃើញដំបូង និងការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខ។ Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញសារធាតុផ្សំ) Elsevier 2024 (គំរូបង្កើតក្នុងការរចនាឱសថថ្មី)
ហើយមែនហើយ វាក៏អាចបង្កើតរឿងមិនសមហេតុផលដោយទំនុកចិត្តផងដែរ។ នោះជាផ្នែកមួយនៃកិច្ចព្រមព្រៀង។ ដូចជាអ្នកហាត់ការដែលមានភាពស្វាហាប់ខ្លាំងជាមួយនឹងម៉ាស៊ីនរ៉ុក្កែត។ មគ្គុទ្ទេសក៍សម្រាប់គ្រូពេទ្យ (ហានិភ័យនៃការយល់ច្រឡំ) npj វេជ្ជសាស្ត្រឌីជីថលឆ្នាំ ២០២៥ (ការយល់ច្រឡំ + ក្របខ័ណ្ឌសុវត្ថិភាព)
ហេតុអ្វីបានជារឿងនេះសំខាន់ជាងអ្វីដែលមនុស្សទទួលស្គាល់ 💥
ការងាររកឃើញជាច្រើនគឺ "ការស្វែងរក"។ ស្វែងរកលំហគីមី ស្វែងរកជីវវិទ្យា ស្វែងរកអក្សរសិល្ប៍ ស្វែងរកទំនាក់ទំនងរចនាសម្ព័ន្ធ-មុខងារ។ បញ្ហាគឺថាលំហគីមីគឺ... ជាទូទៅគ្មានដែនកំណត់។ គណនីស្រាវជ្រាវគីមី ឆ្នាំ ២០១៥ (លំហគីមី) Irwin & Shoichet ២០០៩ (មាត្រដ្ឋានលំហគីមី)
អ្នកអាចចំណាយពេលច្រើនជីវិតដោយគ្រាន់តែសាកល្បងបំរែបំរួល "សមហេតុផល"។.
បញ្ញាសិប្បនិម្មិតបង្កើតថ្មីផ្លាស់ប្តូរដំណើរការការងារពី៖
-
«ចូរយើងសាកល្បងអ្វីដែលយើងអាចគិតបាន»
ទៅ៖
-
«ចូរយើងបង្កើតសំណុំជម្រើសដែលធំជាង និងឆ្លាតវៃជាងមុន បន្ទាប់មកសាកល្បងជម្រើសដែលល្អបំផុត»
វាមិនមែននិយាយអំពីការលុបបំបាត់ការពិសោធន៍នោះទេ។ វានិយាយអំពី ការជ្រើសរើសការពិសោធន៍កាន់តែប្រសើរ។ 🧠 ធម្មជាតិ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
ម្យ៉ាងទៀត ហើយរឿងនេះមិនសូវមានការពិភាក្សាច្រើនទេ វាជួយក្រុម ពិភាក្សាគ្នាលើមុខវិជ្ជាផ្សេងៗគ្នា។ អ្នកគីមីវិទ្យា អ្នកជីវវិទ្យា អ្នកជំនាញ DMPK អ្នកវិទ្យាសាស្ត្រកុំព្យូទ័រ... មនុស្សគ្រប់គ្នាមានគំរូផ្លូវចិត្តខុសៗគ្នា។ ប្រព័ន្ធបង្កើតដែលសមរម្យអាចបម្រើជាផ្ទាំងគំនូររួម។ ការពិនិត្យឡើងវិញអំពីព្រំដែនក្នុងការរកឃើញគ្រឿងញៀនឆ្នាំ ២០២៤
តើអ្វីទៅដែលធ្វើឱ្យមានកំណែល្អនៃបញ្ញាសិប្បនិម្មិតសម្រាប់ការស្វែងរកថ្នាំ? ✅
មិនមែន AI បង្កើតទាំងអស់សុទ្ធតែត្រូវបានបង្កើតឡើងដូចគ្នានោះទេ។ កំណែ "ល្អ" សម្រាប់កន្លែងនេះគឺមិនសូវនិយាយអំពីការបង្ហាញដ៏ទាក់ទាញនោះទេ ប៉ុន្តែនិយាយអំពីភាពជឿជាក់ដែលមិនសិចស៊ី (ភាពសិចស៊ីគឺជាគុណធម៌មួយនៅទីនេះ)។ ធម្មជាតិ ឆ្នាំ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
ការរៀបចំ AI បង្កើតដ៏ល្អជាធម្មតាមាន៖
-
ការដាក់មូលដ្ឋានដែន៖ បានបណ្តុះបណ្តាល ឬសម្របខ្លួនទៅនឹងទិន្នន័យគីមី ជីវសាស្រ្ត និងឱសថសាស្ត្រ (មិនមែនគ្រាន់តែជាអត្ថបទទូទៅនោះទេ) 🧬 ការពិនិត្យឡើងវិញរបស់ Elsevier 2024 (គំរូបង្កើត)
-
ការរឹតបន្តឹង - ជំនាន់ទីមួយ៖ វាអាចគោរពតាមច្បាប់ដូចជាជួរ lipophilicity ការរឹតបន្តឹង scaffold លក្ខណៈពិសេសនៃកន្លែងភ្ជាប់ គោលដៅជ្រើសរើស JCIM 2024 (គំរូសាយភាយក្នុងការរចនាឱសថថ្មី) REINVENT 4 (ក្របខ័ណ្ឌបើកចំហ)
-
ការយល់ដឹងអំពីលក្ខណៈសម្បត្តិ៖ វាបង្កើតម៉ូលេគុលដែលមិនត្រឹមតែថ្មីប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំង "មិនគួរឱ្យអស់សំណើច" នៅក្នុងលក្ខខណ្ឌ ADMET ADMETlab 2.0 (ហេតុអ្វីបានជា ADMET ដំបូងមានសារៈសំខាន់)
-
ការរាយការណ៍អំពីភាពមិនប្រាកដប្រជា៖ វាផ្តល់សញ្ញានៅពេលដែលវាកំពុងទាយ ធៀបនឹងពេលដែលវារឹងមាំ (សូម្បីតែក្រុមទំនុកចិត្តឆៅក៏ជួយបានដែរ) គោលការណ៍ផ្ទៀងផ្ទាត់ QSAR របស់ OECD (ដែនអនុវត្ត)
-
ការគ្រប់គ្រងដោយមនុស្សនៅក្នុងរង្វិលជុំ៖ អ្នកគីមីវិទ្យាអាចបញ្ជា បដិសេធ និងណែនាំលទ្ធផលបានយ៉ាងឆាប់រហ័ស ធម្មជាតិឆ្នាំ ២០២៣ (លំហូរការងារ + បរិបទបច្ចេកវិទ្យារកឃើញ)
-
ភាពអាចតាមដានបាន៖ អ្នកអាចមើលឃើញពីមូលហេតុដែលការណែនាំមួយបានកើតឡើង (យ៉ាងហោចណាស់ដោយផ្នែក) ឬអ្នកកំពុងមើលមិនឃើញ ការណែនាំរបស់ OECD QSAR (តម្លាភាពគំរូ + ការផ្ទៀងផ្ទាត់)
-
ខ្សែស្រឡាយវាយតម្លៃ៖ ការចត, QSAR, តម្រង, ការត្រួតពិនិត្យ retrosynthesis - ទាំងអស់ត្រូវបានភ្ជាប់នៅក្នុង 🔧 Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញ ligand) ការរៀនម៉ាស៊ីននៅក្នុង CASP (Coley 2018)
-
ការគ្រប់គ្រងភាពលំអៀង និងការលេចធ្លាយទិន្នន័យ៖ ដើម្បីជៀសវាងការទន្ទេញចាំទិន្នន័យហ្វឹកហាត់ដោយលួចចូល (មែនហើយ វាកើតឡើង) USENIX 2021 (ការស្រង់ទិន្នន័យហ្វឹកហាត់) Vogt 2023 (ការព្រួយបារម្ភអំពីភាពថ្មី/ភាពប្លែក)
ប្រសិនបើ AI បង្កើតរបស់អ្នកមិនអាចដោះស្រាយការរឹតបន្តឹងបានទេ វាជាម៉ាស៊ីនបង្កើតថ្មីទាំងស្រុង។ សប្បាយនៅពិធីជប់លៀង។ សប្បាយតិចជាងនៅក្នុងកម្មវិធីគ្រឿងញៀន។.
កន្លែងដែលបញ្ញាសិប្បនិម្មិត (AI) ដែលបង្កើតបានសមស្របទៅនឹងបំពង់បង្ហូរស្វែងរកថ្នាំ 🧭
នេះជាផែនទីផ្លូវចិត្តសាមញ្ញ។ បញ្ញាសិប្បនិម្មិតដែលអាចបង្កើតបានអាចរួមចំណែកដល់ស្ទើរតែគ្រប់ដំណាក់កាល ប៉ុន្តែវាដំណើរការបានល្អបំផុតនៅកន្លែងដែលការធ្វើម្តងទៀតមានតម្លៃថ្លៃ និងកន្លែងសម្មតិកម្មមានទំហំធំ។ ធម្មជាតិឆ្នាំ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
ចំណុចប៉ះពាល់ទូទៅ៖
-
ការរកឃើញគោលដៅ និងការផ្ទៀងផ្ទាត់ (សម្មតិកម្ម ការធ្វើផែនទីផ្លូវ ការណែនាំអំពីជីវសញ្ញាណ) ការពិនិត្យឡើងវិញអំពីព្រំដែនក្នុងការរកឃើញគ្រឿងញៀនឆ្នាំ ២០២៤
-
ការកំណត់អត្តសញ្ញាណអ្នកវាយប្រហារ (ការបង្កើនការត្រួតពិនិត្យនិម្មិត ការបង្កើតអ្នកវាយប្រហារថ្មី) បច្ចេកវិទ្យាជីវសាស្ត្រធម្មជាតិ ឆ្នាំ២០១៩ (GENTRL)
-
ការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខ (ការណែនាំអំពីអាណាឡូក ការលៃតម្រូវប៉ារ៉ាម៉ែត្រច្រើន) REINVENT 4
-
ការគាំទ្រមុនព្យាបាល (ការព្យាករណ៍លក្ខណៈសម្បត្តិ ADMET ការណែនាំអំពីរូបមន្តជួនកាល) ADMETlab 2.0
-
CMC និងការធ្វើផែនការសំយោគ (ការណែនាំអំពីការសំយោគឡើងវិញ ការបែងចែកផ្លូវ) AiZynthFinder 2020 Coley 2017 (ការសំយោគឡើងវិញដោយមានជំនួយពីកុំព្យូទ័រ)
-
ការងារចំណេះដឹង (ការសំយោគអក្សរសិល្ប៍ សេចក្តីសង្ខេបទេសភាពប្រកួតប្រជែង) 📚 គំរូឆ្នាំ ២០២៥ (បរិញ្ញាបត្រជាន់ខ្ពស់ផ្នែកស្រាវជ្រាវឱសថ)
នៅក្នុងកម្មវិធីជាច្រើន ជ័យជម្នះដ៏ធំបំផុតបានមកពី ការរួមបញ្ចូលលំហូរការងារមិនមែនមកពីគំរូតែមួយដែលជា "ទេពកោសល្យ" នោះទេ។ គំរូគឺជាម៉ាស៊ីន - បំពង់បង្ហូរគឺជារថយន្ត។ ធម្មជាតិឆ្នាំ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
តារាងប្រៀបធៀប៖ វិធីសាស្រ្ត AI បង្កើតថ្មីដ៏ពេញនិយមដែលប្រើក្នុងការស្វែងរកថ្នាំ 📊
តារាងមិនល្អឥតខ្ចោះបន្តិច ពីព្រោះជីវិតពិតគឺមិនល្អឥតខ្ចោះបន្តិច។.
| ឧបករណ៍ / វិធីសាស្រ្ត | ល្អបំផុតសម្រាប់ (ទស្សនិកជន) | តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ (និងពេលណាវាមិនដំណើរការ) |
|---|---|---|---|
| ម៉ាស៊ីនបង្កើតម៉ូលេគុលថ្មី (ស្នាមញញឹម ក្រាហ្វ) | គីមីវិទ្យាវេជ្ជសាស្ត្រ + គីមីវិទ្យាប្រៀបធៀប | $$-$$$ | ពូកែរុករកអាណាឡូកថ្មីៗបានយ៉ាងលឿន 😎 - ប៉ុន្តែអាចបញ្ចេញសារធាតុមិនស្ថិតស្ថេរចេញបាន REINVENT 4 GENTRL (Nature Biotech 2019) |
| ប្រូតេអ៊ីន / ម៉ាស៊ីនបង្កើតរចនាសម្ព័ន្ធ | ក្រុមជីវវិទ្យា ជីវវិទ្យារចនាសម្ព័ន្ធ | $$$ | ជួយស្នើលំដាប់ + រចនាសម្ព័ន្ធ - ប៉ុន្តែ "មើលទៅគួរឱ្យជឿជាក់" មិនដូចគ្នានឹង "ដំណើរការ" ទេ AlphaFold (ធម្មជាតិ 2021) RFdiffusion (ធម្មជាតិ 2023) |
| ការរចនាម៉ូលេគុលបែបសាយភាយ | ក្រុម ML កម្រិតខ្ពស់ | $$-$$$$ | ខ្លាំងខាងការកំណត់លក្ខខណ្ឌ និងភាពចម្រុះ - ការរៀបចំអាចជា… រឿងទាំងមូល JCIM 2024 (គំរូសាយភាយ) PMC 2025 ការពិនិត្យឡើងវិញអំពីការសាយភាយ |
| សហអ្នកបើកយន្តហោះព្យាករណ៍ទ្រព្យសម្បត្តិ (ការរួមបញ្ចូលគ្នារវាង QSAR + GenAI) | DMPK, ក្រុមការងារគម្រោង | $$ | ល្អសម្រាប់ការបែងចែក និងចំណាត់ថ្នាក់ - អាក្រក់ប្រសិនបើត្រូវបានចាត់ទុកថាជាដំណឹងល្អ 😬 OECD (ដែនអនុវត្ត) ADMETlab 2.0 |
| ឧបករណ៍រៀបចំផែនការសំយោគឡើងវិញ | គីមីដំណើរការ, CMC | $$-$$$ | បង្កើនល្បឿននៃការបង្កើតផ្លូវ - នៅតែត្រូវការមនុស្សសម្រាប់លទ្ធភាព និងសុវត្ថិភាព AiZynthFinder 2020 Coley 2018 (CASP) |
| សហអ្នកបើកយន្តហោះមន្ទីរពិសោធន៍ពហុម៉ូឌុល (អត្ថបទ + ទិន្នន័យវិភាគ) | ក្រុមបកប្រែ | $$$ | មានប្រយោជន៍សម្រាប់ការទាញសញ្ញាឆ្លងកាត់សំណុំទិន្នន័យ - ងាយនឹងមានទំនុកចិត្តលើសលប់ប្រសិនបើទិន្នន័យមានភាពរញ៉េរញ៉ៃ ធម្មជាតិឆ្នាំ ២០២៤ (ផលប៉ះពាល់ជាបាច់ក្នុងការថតរូបភាពកោសិកា) npj វេជ្ជសាស្ត្រឌីជីថលឆ្នាំ ២០២៥ (ពហុម៉ូឌុលក្នុងជីវបច្ចេកវិទ្យា) |
| ជំនួយអក្សរសាស្ត្រ និងសម្មតិកម្ម | មនុស្សគ្រប់គ្នានៅក្នុងការអនុវត្ត | $ | កាត់បន្ថយពេលវេលាអានបានច្រើន - ប៉ុន្តែការយល់ច្រឡំអាចរអិលបាន ដូចជាស្រោមជើងបាត់ខ្លួន លំនាំឆ្នាំ ២០២៥ (LLMs ក្នុងការរកឃើញថ្នាំ) ការណែនាំសម្រាប់គ្រូពេទ្យ (ការយល់ច្រឡំ) |
| ម៉ូដែលគ្រឹះផ្ទាល់ខ្លួននៅក្នុងផ្ទះ | ក្រុមហ៊ុនឱសថធំៗ និងបច្ចេកវិទ្យាជីវសាស្ត្រដែលមានមូលនិធិគ្រប់គ្រាន់ | $$$$ | ការគ្រប់គ្រងល្អបំផុត + ការរួមបញ្ចូល - ក៏មានតម្លៃថ្លៃ និងយឺតក្នុងការសាងសង់ (សូមអភ័យទោស វាជាការពិត) ការពិនិត្យឡើងវិញអំពីព្រំដែនក្នុងការរកឃើញគ្រឿងញៀនឆ្នាំ ២០២៤ |
ចំណាំ៖ តម្លៃប្រែប្រួលយ៉ាងខ្លាំងអាស្រ័យលើមាត្រដ្ឋាន ការគណនា ការផ្តល់អាជ្ញាប័ណ្ណ និងថាតើក្រុមរបស់អ្នកចង់បាន "plug and play" ឬ "តោះសាងសង់យានអវកាស"។
ក្រឡេកមើលឲ្យកាន់តែជិត៖ បញ្ញាសិប្បនិម្មិត (AI) សម្រាប់ការស្វែងរកអ្វីដែលថ្មី និងការរចនាបែបថ្មី 🧩
នេះជាករណីប្រើប្រាស់សំខាន់៖ បង្កើតម៉ូលេគុលបេក្ខជនពីដំបូង (ឬពីរនាំង) ដែលត្រូវនឹងទម្រង់គោលដៅ។ បច្ចេកវិទ្យាជីវសាស្ត្រធម្មជាតិ ឆ្នាំ ២០១៩ (GENTRL) REINVENT ៤
របៀបដែលវាដំណើរការជាធម្មតានៅក្នុងការអនុវត្ត៖
-
កំណត់ការរឹតត្បិត
-
ថ្នាក់គោលដៅ, រាងហោប៉ៅចង, សារធាតុចងដែលគេស្គាល់
-
ជួរលក្ខណៈសម្បត្តិ (រលាយ, logP, PSA, ល។) Lipinski (បរិបទនៃច្បាប់ទី 5)
-
ការរឹតបន្តឹងលើភាពថ្មី (ជៀសវាងតំបន់ IP ដែលគេស្គាល់) 🧠 Vogt 2023 (ការវាយតម្លៃភាពថ្មី)
-
-
បង្កើតបេក្ខជន
-
លោតរនាំង
-
ការលូតលាស់បំណែក
-
ការណែនាំអំពី "តុបតែងស្នូលនេះ"
-
ការបង្កើតពហុគោលបំណង (ចង + ជ្រាបចូល + មិនពុល) REINVENT 4 Elsevier 2024 (គំរូបង្កើត)
-
-
ត្រងយ៉ាងសកម្ម
-
ច្បាប់គីមីវិទ្យាឱសថ
-
PAINS និងតម្រងក្រុមដែលមានប្រតិកម្ម Baell & Holloway 2010 (PAINS)
-
ការត្រួតពិនិត្យសមត្ថភាពសំយោគ AiZynthFinder 2020
-
ការចត / ការដាក់ពិន្ទុ (មិនល្អឥតខ្ចោះ ប៉ុន្តែមានប្រយោជន៍) Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
-
-
ជ្រើសរើសសំណុំតូចមួយសម្រាប់សំយោគ
-
មនុស្សនៅតែរើស ពីព្រោះពេលខ្លះមនុស្សអាចធុំក្លិនមិនសមហេតុផល
-
ការពិតដ៏ឆ្គងមួយ៖ តម្លៃមិនមែនគ្រាន់តែជា "ម៉ូលេគុលថ្មី" នោះទេ។ វាគឺជា ម៉ូលេគុលថ្មីដែលសមហេតុផលសម្រាប់ការរឹតបន្តឹងកម្មវិធីរបស់អ្នក។ ផ្នែកចុងក្រោយនោះគឺជាអ្វីៗទាំងអស់។ ធម្មជាតិ 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
ម្យ៉ាងទៀត ការនិយាយបំផ្លើសបន្តិចបន្តួចក៏ចូលមកដែរ៖ នៅពេលដែលធ្វើបានល្អ វាអាចមានអារម្មណ៍ដូចជាអ្នកបានជួលក្រុមអ្នកគីមីវិទ្យាវ័យក្មេងដែលមិនចេះនឿយហត់ ដែលមិនដែលដេកលក់ ហើយមិនដែលត្អូញត្អែរឡើយ។ ម្យ៉ាងវិញទៀត ពួកគេក៏មិនយល់ថាហេតុអ្វីបានជាយុទ្ធសាស្ត្រការពារជាក់លាក់មួយជាសុបិន្តអាក្រក់នោះទេ ដូច្នេះ... រក្សាតុល្យភាព 😅។.
ក្រឡេកមើលឱ្យកាន់តែជិត៖ ការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខជាមួយ AI ដែលអាចបង្កើតបាន (ការលៃតម្រូវប៉ារ៉ាម៉ែត្រច្រើន) 🎛️
ការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខគឺជាកន្លែងដែលក្តីសុបិន្តក្លាយជាស្មុគស្មាញ។.
អ្នកចង់បាន៖
-
សក្តានុពលកើនឡើង
-
ការជ្រើសរើសកើនឡើង
-
ស្ថេរភាពមេតាប៉ូលីសកើនឡើង
-
សារធាតុរំលាយកើនឡើង
-
សញ្ញាសុវត្ថិភាពធ្លាក់ចុះ
-
ភាពជ្រាបចូល "ត្រឹមត្រូវ"
-
ហើយនៅតែអាចសំយោគបាន
នេះគឺជាការបង្កើនប្រសិទ្ធភាពពហុគោលបំណងបែបបុរាណ។ បញ្ញាសិប្បនិម្មិតដែលបង្កើតថ្មីគឺល្អមិនធម្មតាក្នុងការស្នើ ដំណោះស្រាយ សម្របសម្រួលជាជាងការធ្វើពុតជាមានសមាសធាតុដ៏ល្អឥតខ្ចោះមួយ។ REINVENT 4 Elsevier 2024 (គំរូបង្កើតថ្មី)
វិធីជាក់ស្តែងដែលក្រុមប្រើប្រាស់វា៖
-
ការណែនាំអាណាឡូក៖ “បង្កើតវ៉ារ្យ៉ង់ចំនួន ៣០ ដែលកាត់បន្ថយការបោសសំអាតប៉ុន្តែរក្សាសក្តានុពល”
-
ការស្កេនជំនួស៖ ការរុករកដែលមានការណែនាំជំនួសឱ្យការរាប់ដោយប្រើកម្លាំងបង្រួបបង្រួម
-
ការលោតរន្ទា៖ នៅពេលដែលស្នូលមួយប៉ះនឹងជញ្ជាំង (tox, IP ឬស្ថេរភាព)
-
ការណែនាំបែបពន្យល់៖ “ក្រុមប៉ូលនេះអាចជួយដល់ភាពរលាយ ប៉ុន្តែអាចប៉ះពាល់ដល់ភាពជ្រាបចូល” (មិនមែនតែងតែត្រឹមត្រូវទេ ប៉ុន្តែមានប្រយោជន៍)
ការប្រុងប្រយ័ត្នមួយ៖ ឧបករណ៍ព្យាករណ៍លក្ខណៈសម្បត្តិអាចផុយស្រួយ។ ប្រសិនបើទិន្នន័យបណ្តុះបណ្តាលរបស់អ្នកមិនត្រូវគ្នានឹងស៊េរីគីមីរបស់អ្នកទេ គំរូអាចខុសដោយទំនុកចិត្ត។ ដូចជាខុសខ្លាំងណាស់។ ហើយវានឹងមិនឡើងក្រហមទេ។ គោលការណ៍ផ្ទៀងផ្ទាត់ OECD QSAR (ដែនអនុវត្ត) Weaver 2008 (ដែនអនុវត្ត QSAR)
ក្រឡេកមើលឲ្យកាន់តែច្បាស់៖ ADMET ជាតិពុល និងការត្រួតពិនិត្យ “សូមកុំសម្លាប់កម្មវិធីនេះ” 🧯
ADMET គឺជាកន្លែងដែលបេក្ខជនជាច្រើនបរាជ័យដោយស្ងាត់ៗ។ បញ្ញាសិប្បនិម្មិតបង្កើតថ្មីមិនអាចដោះស្រាយជីវវិទ្យាបានទេ ប៉ុន្តែវាអាចកាត់បន្ថយកំហុសដែលអាចជៀសវាងបាន។ ADMETlab 2.0 Waring 2015 (attrition)
តួនាទីទូទៅ៖
-
ការព្យាករណ៍ពីកាតព្វកិច្ចមេតាបូលីស (កន្លែងនៃការរំលាយអាហារ និន្នាការនៃការបន្សាបជាតិពុល)
-
ការសម្គាល់មូលហេតុនៃការពុលដែលអាចកើតមាន (ការជូនដំណឹង ប្រូកស៊ីអន្តរការីដែលមានប្រតិកម្ម)
-
ការប៉ាន់ប្រមាណជួររលាយ និង ភាពជ្រាបចូល
-
ការណែនាំអំពីការកែប្រែដើម្បីកាត់បន្ថយហានិភ័យ hERG ឬបង្កើនស្ថេរភាព 🧪 FDA (សំណួរ និងចម្លើយ ICH E14/S7B) EMA (ទិដ្ឋភាពទូទៅ ICH E14/S7B)
គំរូដែលមានប្រសិទ្ធភាពបំផុតច្រើនតែមើលទៅដូចនេះ៖ ប្រើ GenAI ដើម្បីស្នើជម្រើស ប៉ុន្តែប្រើគំរូ និងការពិសោធន៍ឯកទេសដើម្បីផ្ទៀងផ្ទាត់។
បញ្ញាសិប្បនិម្មិត (AI) គឺជាម៉ាស៊ីនបង្កើតគំនិត។ ការផ្ទៀងផ្ទាត់នៅតែមាននៅក្នុងការវិភាគ។.
ក្រឡេកមើលឲ្យកាន់តែជិត៖ បញ្ញាសិប្បនិម្មិត (AI) សម្រាប់ជីវវិទ្យា និងវិស្វកម្មប្រូតេអ៊ីន 🧬✨
ការរកឃើញថ្នាំមិនត្រឹមតែជាម៉ូលេគុលតូចៗនោះទេ។ បញ្ញាសិប្បនិម្មិតបង្កើតថ្មីក៏ត្រូវបានប្រើសម្រាប់៖
-
ការបង្កើតលំដាប់អង្គបដិប្រាណ
-
ការណែនាំអំពីភាពចាស់ទុំនៃទំនាក់ទំនង
-
ការកែលម្អស្ថេរភាពប្រូតេអ៊ីន
-
វិស្វកម្មអង់ស៊ីម
-
ការរុករកការព្យាបាលដោយ peptide ProteinMPNN (វិទ្យាសាស្ត្រ 2022) Rives 2021 (គំរូភាសាប្រូតេអ៊ីន)
ការបង្កើតប្រូតេអ៊ីន និងលំដាប់អាចមានឥទ្ធិពលខ្លាំង ពីព្រោះ "ភាសា" នៃលំដាប់ភ្ជាប់គ្នាយ៉ាងល្អគួរឱ្យភ្ញាក់ផ្អើលទៅនឹងវិធីសាស្ត្រ ML។ ប៉ុន្តែនេះគឺជាការថយក្រោយធម្មតា៖ វាភ្ជាប់គ្នាបានល្អ... រហូតដល់វាមិនមាន។ ដោយសារតែភាពស៊ាំ ការបញ្ចេញមតិ លំនាំ glycosylation និងការរឹតបន្តឹងលើការអភិវឌ្ឍអាចមានភាពឃោរឃៅ។ AlphaFold (ធម្មជាតិ 2021) ProteinGenerator (Nat Biotech 2024)
ដូច្នេះការរៀបចំល្អបំផុតរួមមាន៖
-
តម្រងសមត្ថភាពអភិវឌ្ឍន៍
-
ការវាយតម្លៃហានិភ័យនៃភាពស៊ាំ
-
ការរឹតបន្តឹងលើសមត្ថភាពផលិត
-
រង្វិលជុំមន្ទីរពិសោធន៍សើមសម្រាប់ការធ្វើម្តងទៀតយ៉ាងរហ័ស 🧫
ប្រសិនបើអ្នករំលងរឿងទាំងនោះ អ្នកនឹងទទួលបានលំដាប់ដ៏អស្ចារ្យដែលមានឥរិយាបទដូចជាតារាចម្រៀងស្រីក្នុងផលិតកម្ម។.
ក្រឡេកមើលឲ្យកាន់តែច្បាស់៖ ការធ្វើផែនការសំយោគ និងការណែនាំអំពីការសំយោគឡើងវិញ 🧰
បញ្ញាសិប្បនិម្មិត (AI) ដែលបង្កើតថ្មីក៏កំពុងលួចចូលទៅក្នុងប្រតិបត្តិការគីមីវិទ្យាផងដែរ មិនមែនគ្រាន់តែការបង្កើតគំនិតម៉ូលេគុលនោះទេ។.
អ្នករៀបចំផែនការ Retrosynthesis អាច៖
-
ស្នើផ្លូវទៅកាន់បរិវេណគោលដៅ
-
ណែនាំសម្ភារៈចាប់ផ្តើមដែលមានលក់នៅលើទីផ្សារ
-
ចាត់ថ្នាក់ផ្លូវតាមចំនួនជំហាន ឬលទ្ធភាពដែលយល់ឃើញ
-
ជួយអ្នកគីមីវិទ្យាច្រានចោលគំនិត "គួរឱ្យស្រលាញ់ប៉ុន្តែមិនអាចទៅរួច" យ៉ាងឆាប់រហ័ស AiZynthFinder 2020 Coley 2018 (CASP)
វាអាចជួយសន្សំសំចៃពេលវេលាជាក់ស្តែង ជាពិសេសនៅពេលអ្នកកំពុងស្វែងយល់ពីរចនាសម្ព័ន្ធបេក្ខជនជាច្រើន។ យ៉ាងណាក៏ដោយ មនុស្សមានសារៈសំខាន់ខ្លាំងណាស់នៅទីនេះ ពីព្រោះ៖
-
ការផ្លាស់ប្តូរភាពអាចរកបាននៃសារធាតុប្រតិកម្ម
-
កង្វល់អំពីសុវត្ថិភាព និងមាត្រដ្ឋានគឺជាការពិត
-
ជំហានខ្លះមើលទៅល្អនៅលើក្រដាស ប៉ុន្តែបរាជ័យម្តងហើយម្តងទៀត
ពាក្យប្រៀបធៀបដែលមិនសូវល្អឥតខ្ចោះទេ ប៉ុន្តែខ្ញុំនឹងប្រើវាយ៉ាងណាក៏ដោយ៖ ការសំយោគឡើងវិញ AI គឺដូចជា GPS ដែលភាគច្រើនត្រឹមត្រូវ លើកលែងតែពេលខ្លះវានាំអ្នកឆ្លងកាត់បឹង ហើយទទូចថាវាជាផ្លូវកាត់។ 🚗🌊 Coley 2017 (ការសំយោគឡើងវិញដោយមានជំនួយពីកុំព្យូទ័រ)
ទិន្នន័យ គំរូពហុម៉ូឌុល និងការពិតដ៏រញ៉េរញ៉ៃនៃមន្ទីរពិសោធន៍ 🧾🧪
បញ្ញាសិប្បនិម្មិត (AI) ដែលបង្កើតថ្មីចូលចិត្តទិន្នន័យ។ មន្ទីរពិសោធន៍ផលិតទិន្នន័យ។ នៅលើក្រដាស វាស្តាប់ទៅសាមញ្ញណាស់។.
ហា។ ទេ។.
ទិន្នន័យមន្ទីរពិសោធន៍ពិតប្រាកដគឺ៖
-
មិនពេញលេញ
-
សំឡេងរំខាន
-
ពោរពេញដោយផលប៉ះពាល់ជាបាច់ Leek et al. 2010 (ផលប៉ះពាល់ជាបាច់) Nature 2024 (ផលប៉ះពាល់ជាបាច់ក្នុងការថតរូបភាពកោសិកា)
-
រាយប៉ាយពាសពេញទម្រង់
-
មានពរជ័យជាមួយនឹងអនុសញ្ញាដាក់ឈ្មោះ "ច្នៃប្រឌិត"
ប្រព័ន្ធបង្កើតពហុម៉ូឌុលអាចរួមបញ្ចូលគ្នា៖
-
លទ្ធផលនៃការវិភាគ
-
រចនាសម្ព័ន្ធគីមី
-
រូបភាព (មីក្រូទស្សន៍, ជាលិកាវិទ្យា)
-
អូមិក (ការចម្លងអត្ថបទ, ប្រូតេអូមិក)
-
អត្ថបទ (ពិធីការ ELN របាយការណ៍) npj វេជ្ជសាស្ត្រឌីជីថលឆ្នាំ ២០២៥ (ពហុម៉ូឌុលក្នុងបច្ចេកវិទ្យាជីវសាស្ត្រ) ការវិភាគរូបភាពវេជ្ជសាស្ត្រឆ្នាំ ២០២៥ (បញ្ញាសិប្បនិម្មិតពហុម៉ូឌុលក្នុងវេជ្ជសាស្ត្រ)
នៅពេលដែលវាដំណើរការ វាពិតជាអស្ចារ្យណាស់។ អ្នកអាចស្វែងរកលំនាំដែលមិនច្បាស់លាស់ និងស្នើការពិសោធន៍ដែលអ្នកឯកទេសតែម្នាក់អាចខកខាន។.
នៅពេលដែលវាបរាជ័យ វាបរាជ័យដោយស្ងាត់ៗ។ វាមិនបិទទ្វារទេ។ វាគ្រាន់តែជំរុញអ្នកទៅរកការសន្និដ្ឋានខុសដោយទំនុកចិត្ត។ នោះហើយជាមូលហេតុដែលការគ្រប់គ្រង ការផ្ទៀងផ្ទាត់ និងការពិនិត្យឡើងវិញនូវដែនមិនមែនជាជម្រើសទេ។ មគ្គុទ្ទេសក៍សម្រាប់គ្រូពេទ្យ (ការយល់ច្រឡំ) npj វេជ្ជសាស្ត្រឌីជីថលឆ្នាំ ២០២៥ (ការយល់ច្រឡំ + ក្របខ័ណ្ឌសុវត្ថិភាព)
ហានិភ័យ ដែនកំណត់ និងផ្នែក “កុំចាញ់បោកដោយលទ្ធផលស្ទាត់ជំនាញ” ⚠️
ប្រសិនបើអ្នកចាំបានតែរឿងមួយប៉ុណ្ណោះ ចូរចងចាំរឿងនេះ៖ បញ្ញាសិប្បនិម្មិតដែលបង្កើតថ្មីគឺអាចបញ្ចុះបញ្ចូលបាន។ វាអាចស្តាប់ទៅត្រឹមត្រូវ ខណៈពេលដែលវាខុស។ ការណែនាំសម្រាប់គ្រូពេទ្យ (ការយល់ច្រឡំ)
ហានិភ័យសំខាន់ៗ៖
-
យន្តការនៃការយល់ច្រឡំ៖ ជីវវិទ្យាដែលអាចទុកចិត្តបានដែលមិនមែនជាការពិត មគ្គុទ្ទេសក៍របស់គ្រូពេទ្យ (ការយល់ច្រឡំ)
-
ការលេចធ្លាយទិន្នន័យ៖ បង្កើតអ្វីមួយដែលជិតពេកទៅនឹងសមាសធាតុដែលគេស្គាល់ USENIX 2021 (ការស្រង់ទិន្នន័យបណ្តុះបណ្តាល) Vogt 2023 (ការព្រួយបារម្ភអំពីភាពថ្មី/ភាពប្លែក)
-
ការបង្កើនប្រសិទ្ធភាពហួសហេតុ៖ ការដេញតាមពិន្ទុដែលបានព្យាករណ៍ដែលមិនបកប្រែនៅក្នុង vitro Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញ ligand)
-
ភាពលំអៀង៖ ទិន្នន័យបណ្តុះបណ្តាលមានភាពលំអៀងទៅរកប្រភេទគីមី ឬគោលដៅជាក់លាក់ Vogt 2023 (ការវាយតម្លៃគំរូ + ភាពលំអៀង/ភាពថ្មីថ្មោង)
-
ភាពថ្មីថ្មោងមិនពិត៖ ម៉ូលេគុល "ថ្មី" ដែលពិតជាវ៉ារ្យ៉ង់តូចតាច Vogt 2023
-
គម្លាតនៃការពន្យល់៖ ពិបាកក្នុងការបង្ហាញពីភាពត្រឹមត្រូវនៃការសម្រេចចិត្តដល់អ្នកពាក់ព័ន្ធ គោលការណ៍ផ្ទៀងផ្ទាត់ OECD QSAR
-
ក្តីបារម្ភអំពីសុវត្ថិភាព និង IP៖ ព័ត៌មានលម្អិតអំពីកម្មវិធីដ៏រសើបនៅក្នុងប្រអប់បញ្ចូល 😬 USENIX 2021 (ការស្រង់ទិន្នន័យបណ្តុះបណ្តាល)
ការកាត់បន្ថយដែលជួយក្នុងការអនុវត្ត៖
-
រក្សាមនុស្សឱ្យស្ថិតនៅក្នុងរង្វង់សម្រេចចិត្ត
-
ការណែនាំអំពីកំណត់ហេតុ និងលទ្ធផលសម្រាប់ការតាមដាន
-
ផ្ទៀងផ្ទាត់ជាមួយវិធីសាស្ត្រ orthogonal (ការវិភាគ គំរូជំនួស)
-
អនុវត្តការរឹតបន្តឹង និងតម្រងដោយស្វ័យប្រវត្តិ
-
ចាត់ទុកលទ្ធផលជាសម្មតិកម្ម មិនមែនថេប្លេតសច្ចភាពទេ ការណែនាំ QSAR របស់ OECD
បញ្ញាសិប្បនិម្មិត (AI) គឺជាឧបករណ៍ថាមពលមួយ។ ឧបករណ៍ថាមពលមិនធ្វើឱ្យអ្នកក្លាយជាជាងឈើទេ… ពួកវាគ្រាន់តែធ្វើខុសលឿនជាងមុន ប្រសិនបើអ្នកមិនដឹងថាអ្នកកំពុងធ្វើអ្វី។.
របៀបដែលក្រុមការងារទទួលយក AI ដែលអាចបង្កើតបានដោយគ្មានភាពវឹកវរ 🧩🛠️
ជារឿយៗក្រុមនានាចង់ប្រើប្រាស់វិធីនេះដោយមិនចាំបាច់ប្រែក្លាយអង្គការនេះទៅជាពិព័រណ៍វិទ្យាសាស្ត្រនោះទេ។ ផ្លូវអនុវត្តជាក់ស្តែងមើលទៅដូចនេះ៖
-
ចាប់ផ្តើមជាមួយនឹងចំណុចកកស្ទះមួយ (ការពង្រីកឥទ្ធិពល ការបង្កើតអាណាឡូក ការបែងចែកអក្សរសិល្ប៍) ធម្មជាតិឆ្នាំ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
-
បង្កើតរង្វិលជុំវាយតម្លៃដ៏តឹងរ៉ឹង (តម្រង + ការចត + ការត្រួតពិនិត្យលក្ខណៈសម្បត្តិ + ការពិនិត្យគីមី) REINVENT 4 AiZynthFinder 2020
-
វាស់វែងលទ្ធផល (ពេលវេលាដែលសន្សំបាន អត្រានៃការប៉ះពាល់ ការកាត់បន្ថយការបាត់បង់) Waring 2015 (ការបាត់បង់)
-
រួមបញ្ចូលជាមួយឧបករណ៍ដែលមានស្រាប់ (ELN, បញ្ជីឈ្មោះសមាសធាតុ, មូលដ្ឋានទិន្នន័យ assay) ធនធាន Edinburgh ELN
-
បង្កើតច្បាប់ប្រើប្រាស់ (អ្វីដែលអាចត្រូវបានជំរុញ អ្វីដែលនៅក្រៅបណ្តាញ ជំហានពិនិត្យឡើងវិញ) USENIX 2021 (ហានិភ័យនៃការទាញយកទិន្នន័យ)
-
បណ្តុះបណ្តាលមនុស្សដោយថ្នមៗ (និយាយឱ្យចំទៅ កំហុសភាគច្រើនកើតចេញពីការប្រើប្រាស់ខុស មិនមែនមកពីគំរូទេ) ការណែនាំរបស់គ្រូពេទ្យ (ការយល់ច្រឡំ)
ហើយកុំមើលស្រាលវប្បធម៌ឲ្យសោះ។ ប្រសិនបើអ្នកគីមីវិទ្យាមានអារម្មណ៍ថា AI កំពុងត្រូវបានជំរុញមកលើពួកគេ ពួកគេនឹងមិនអើពើនឹងវាទេ។ ប្រសិនបើវាជួយសន្សំសំចៃពេលវេលារបស់ពួកគេ និងគោរពជំនាញរបស់ពួកគេ ពួកគេនឹងទទួលយកវាយ៉ាងឆាប់រហ័ស។ មនុស្សគឺគួរឲ្យអស់សំណើចបែបនោះ 🙂។.
តើតួនាទីរបស់បញ្ញាសិប្បនិម្មិតបង្កើតថ្មីក្នុងការស្វែងរកថ្នាំនៅពេលអ្នកពង្រីករូបភាពចេញមានអ្វីខ្លះ? 🔭
បើពង្រីកមើលឲ្យខ្លី តួនាទីមិនមែនជា «ជំនួសអ្នកវិទ្យាសាស្ត្រ» ទេ។ វាជា «ពង្រីកវិសាលភាពវិទ្យាសាស្ត្រ»។ ធម្មជាតិ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
វាជួយក្រុម៖
-
ស្វែងយល់ពីសម្មតិកម្មបន្ថែមទៀតក្នុងមួយសប្តាហ៍
-
ស្នើរចនាសម្ព័ន្ធបេក្ខជនបន្ថែមទៀតក្នុងមួយវដ្ត
-
ផ្តល់អាទិភាពដល់ការពិសោធន៍កាន់តែឆ្លាតវៃ
-
បង្រួមរង្វិលជុំឡើងវិញរវាងការរចនា និងការធ្វើតេស្ត
-
ចែករំលែកចំណេះដឹងនៅទូទាំង silos លំនាំឆ្នាំ 2025 (LLMs ក្នុងការស្វែងរកថ្នាំ)
ហើយប្រហែលជាចំណុចដែលមិនសូវត្រូវបានគេមើលស្រាលបំផុត៖ វាជួយអ្នក មិនឱ្យខ្ជះខ្ជាយ ភាពច្នៃប្រឌិតដ៏ថ្លៃរបស់មនុស្សលើកិច្ចការដដែលៗ។ មនុស្សគួរតែគិតអំពីយន្តការ យុទ្ធសាស្ត្រ និងការបកស្រាយ - មិនមែនចំណាយពេលច្រើនថ្ងៃបង្កើតបញ្ជីវ៉ារ្យ៉ង់ដោយដៃនោះទេ។ ធម្មជាតិ 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
ដូច្នេះមែនហើយ តួនាទីរបស់បញ្ញាសិប្បនិម្មិត (AI) ក្នុងការរកឃើញឱសថគឺជាឧបករណ៍បង្កើនល្បឿន ជាឧបករណ៍បង្កើត ជាតម្រង និងជួនកាលជាអ្នកបង្កបញ្ហា។ ប៉ុន្តែវាជាតួនាទីដ៏មានតម្លៃ។.
សេចក្តីសង្ខេបបញ្ចប់🧾✅
បញ្ញាសិប្បនិម្មិត (AI) កំពុងក្លាយជាសមត្ថភាពស្នូលមួយនៅក្នុងការរកឃើញឱសថសម័យទំនើប ពីព្រោះវាអាចបង្កើតម៉ូលេគុល សម្មតិកម្ម លំដាប់ និងផ្លូវលឿនជាងមនុស្ស - ហើយវាអាចជួយក្រុមជ្រើសរើសការពិសោធន៍កាន់តែប្រសើរ។ ព្រំដែនក្នុងការរកឃើញឱសថឆ្នាំ ២០២៤ ការពិនិត្យឡើងវិញ ធម្មជាតិឆ្នាំ ២០២៣ (ការពិនិត្យឡើងវិញអំពីការរកឃើញសារធាតុផ្សំ)
សេចក្តីសង្ខេបនៃចំណុច៖
-
វាល្អបំផុតនៅពេល រកឃើញដំបូង និង បង្កើនប្រសិទ្ធភាពនៃការនាំមុខ ⚙️ REINVENT 4
-
វាគាំទ្រ ម៉ូលេគុលតូចៗ និងជីវសាស្ត្រ GENTRL (Nature Biotech 2019) ProteinMPNN (វិទ្យាសាស្ត្រ 2022)
-
វាជំរុញផលិតភាពដោយពង្រីកចីវលោគំនិត Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន)
-
វាត្រូវការ ការរឹតបន្តឹង ការផ្ទៀងផ្ទាត់ និងមនុស្ស ដើម្បីជៀសវាងការមិនសមហេតុផលដែលមានទំនុកចិត្ត គោលការណ៍ OECD QSAR ការណែនាំរបស់គ្រូពេទ្យ (ការយល់ច្រឡំ)
-
ជ័យជម្នះដ៏ធំបំផុតបានមកពី ការរួមបញ្ចូលដំណើរការការងារមិនមែនការធ្វើទីផ្សារទេ Nature 2023 (ការពិនិត្យឡើងវិញអំពីការរកឃើញ ligand)
ប្រសិនបើអ្នកចាត់ទុកវាដូចជាអ្នកសហការ - មិនមែនជាអ្នកទស្សន៍ទាយទេ - វាពិតជាអាចជំរុញកម្មវិធីទៅមុខបាន។ ហើយប្រសិនបើអ្នកចាត់ទុកវាដូចជាអ្នកទស្សន៍ទាយ... អ្នកប្រហែលជានឹងដើរតាម GPS នោះចូលទៅក្នុងបឹងម្តងទៀត។.
ឧទាហរណ៍ក្នុងពិភពពិត៖ ការបង្កើតដំណើរការបង្កើតម៉ូលេគុលដែលមានការរឹតត្បិតជាមុនសិន 🧪
សេណារីយ៉ូ
ក្រុមបច្ចេកវិទ្យាជីវសាស្រ្តតូចមួយដែលប្រឌិតឡើង ប៉ុន្តែប្រាកដនិយមកំពុងធ្វើការលើគោលដៅជំងឺរលាក។ ពួកគេមានការប៉ះពាល់ខ្សោយចំនួន ៤២ ដែលត្រូវបានបញ្ជាក់រួចហើយពីការត្រួតពិនិត្យ ប៉ុន្តែភាគច្រើនមានភាពរលាយមិនល្អ ហើយមួយចំនួនទៀតស្ថិតនៅជិតកន្លែងប៉ាតង់របស់ដៃគូប្រកួតប្រជែងពេក។.
ជំនួសឱ្យការស្នើសុំគំរូបង្កើតឱ្យ "ស្វែងរកម៉ូលេគុលកាន់តែប្រសើរ" - ដែលជាមូលដ្ឋានជាការអញ្ជើញឱ្យទទួលបានភាពមិនសមហេតុផលដ៏ប្រណិត - ក្រុមនេះបង្កើតលំហូរការងារដ៏តឹងរ៉ឹងសម្រាប់ការពង្រីកការចាប់អារម្មណ៍។.
គោលដៅគឺសាមញ្ញ៖ បង្កើតសំណុំអាណាឡូកកាន់តែទូលំទូលាយ ត្រងវាឱ្យបានល្អ ហើយបញ្ជូនតែបេក្ខជនដែលអាចការពារបានបំផុតទៅកាន់ការពិនិត្យឡើងវិញនូវគីមីវិទ្យាឱសថ។.
អ្វីដែលជំនួយការត្រូវការ
ក្រុមនេះផ្តល់ប្រព័ន្ធនេះ៖
ទម្រង់គោលដៅ និងព័ត៌មានលីហ្គែនដែលគេស្គាល់
រចនាសម្ព័ន្ធវាយប្រហារចំនួន ៤២ ដែលបានបញ្ជាក់
ដែនកំណត់លក្ខណៈសម្បត្តិសម្រាប់ទម្ងន់ម៉ូលេគុល, logP, TPSA, សូលុយស្យុង និងការបោសសំអាតដែលបានព្យាករណ៍
រនាំងដែលត្រូវបានរារាំង និងកម្រិតនៃភាពស្រដៀងគ្នាសម្រាប់ការជៀសវាង IP
តម្រង PAINS និងក្រុមដែលមានប្រតិកម្ម Baell & Holloway 2010
ការព្យាករណ៍ ADMET ពិនិត្យ ADMETlab 2.0
ការត្រួតពិនិត្យលទ្ធភាពនៃការសំយោគឡើងវិញ AiZynthFinder 2020
ច្បាប់ពិនិត្យឡើងវិញដោយមនុស្សសម្រាប់ការជ្រើសរើសចុងក្រោយ
ចំណុចសំខាន់៖ គំរូនេះមិនត្រូវបានអនុញ្ញាតឱ្យបង្កើនប្រសិទ្ធភាពសម្រាប់សក្តានុពលដោយខ្លួនឯងទេ។ វាត្រូវតែមានតុល្យភាពរវាងសក្តានុពល ភាពថ្មីថ្មោង លទ្ធភាពអភិវឌ្ឍន៍ និងលទ្ធភាពសំយោគ។.
ឧទាហរណ៍នៃការណែនាំ
បង្កើតគំនិតអាណាឡូកចំនួន 150 ដោយផ្អែកលើរចនាសម្ព័ន្ធប្រតិកម្មដែលបានបញ្ជាក់ទាំងនេះ។ រក្សាទម្ងន់ម៉ូលេគុលរវាង 300 និង 480 logP ដែលបានព្យាករណ៍រវាង 1.5 និង 4.0 TPSA ក្រោម 110 និងជៀសវាងរនាំងដែលត្រូវបានរារាំងដែលបានរាយក្នុងឯកសារ IP។ ផ្តល់អាទិភាពដល់រចនាសម្ព័ន្ធដែលគ្មានការជូនដំណឹងអំពី PAINS គ្មានក្រុមប្រតិកម្មជាក់ស្តែង និងផ្លូវសំយោគដែលអាចទុកចិត្តបាននៃជំហានប្រាំ ឬតិចជាងនេះ។ សម្រាប់ម៉ូលេគុលនីមួយៗ សូមពន្យល់ពីការកែប្រែសំខាន់ ការកែលម្អលក្ខណៈសម្បត្តិដែលចង់បាន ហានិភ័យសំខាន់ និងថាតើសមាសធាតុគួរតែត្រូវបានបដិសេធ ពិនិត្យ ឬផ្តល់អាទិភាពឬអត់។.
របៀបសាកល្បងវា
ក្រុមមិនទុកចិត្តលើលទ្ធផលដំបូងទេ។ ពួកគេដំណើរការរង្វិលជុំវាយតម្លៃតូចមួយ៖
ពិនិត្យមើលថាតើម៉ូលេគុលដែលបានបង្កើតគោរពតាមការរឹតបន្តឹងលក្ខណៈសម្បត្តិដែរឬទេ
យករចនាសម្ព័ន្ធដែលស្ទើរតែដូចគ្នាចេញដែលនៅជិតសមាសធាតុដែលគេស្គាល់ពេក
ដំណើរការតម្រង PAINS ក្រុមប្រតិកម្ម និងគីមីវិទ្យាឱសថជាមូលដ្ឋាន
ដំណើរការគំរូលក្ខណសម្បត្តិទីពីរដើម្បីប្រៀបធៀបការព្យាករណ៍ ADMET
សុំឱ្យគីមីវិទូពីរនាក់ដាក់ពិន្ទុដោយឯករាជ្យលើបេក្ខជនកំពូលទាំង 30 នាក់
ផ្ញើតែបញ្ជីឈ្មោះដែលមានពិន្ទុខ្ពស់បំផុតទៅក្នុងការពិភាក្សាសំយោគ
សំណួរសាកល្បងដ៏មានតម្លៃមួយគឺ “តើយើងនៅតែពិចារណាលើម៉ូលេគុលនេះដែរឬទេ ប្រសិនបើ AI មិនបានណែនាំវា?”
នៅពេលដែលចម្លើយគឺទេ ក្រុមនឹងសួរថាហេតុអ្វី។ ពេលខ្លះវាបង្ហាញពីគំនិតថ្មីដ៏ល្អមួយ។ ពេលខ្លះវាបង្ហាញពីការគិតបែបស្រមើស្រមៃដែលជំរុញដោយគំរូ។.
លទ្ធផល
លទ្ធផលជាឧទាហរណ៍ប៉ុណ្ណោះ - មិនមែនជាការសិក្សាករណីពិតប្រាកដរបស់ក្រុមហ៊ុនទេ។.
ដោយផ្អែកលើពេលវេលាសម្រាប់កិច្ចការពង្រីកឥទ្ធិពលគំរូចំនួនបី លំហូរការងារដោយដៃបានចំណាយពេលប្រហែល 5 ម៉ោងដើម្បីបង្កើត និងតម្រៀបគំនិតអាណាឡូកចំនួន 60។ លំហូរការងារ GenAI ដែលផ្តោតលើការរឹតបន្តឹងជាមុនបានបង្កើតបេក្ខជនដំបូងចំនួន 150 ក្នុងរយៈពេលប្រហែល 55 នាទី។.
បន្ទាប់ពីការត្រងរួច មានតែបេក្ខជនចំនួន 27 នាក់ប៉ុណ្ណោះដែលនៅរស់រានមានជីវិតពីអេក្រង់ពេញ។ ក្នុងចំណោមនោះ អ្នកគីមីវិទ្យាបានសម្គាល់បេក្ខជនចំនួន 9 ថាមានតម្លៃពិនិត្យឡើងវិញឱ្យកាន់តែស៊ីជម្រៅ 12 ថា "គួរឱ្យចាប់អារម្មណ៍ ប៉ុន្តែមានហានិភ័យ" និង 6 ថាត្រូវបានបដិសេធនៅពេលពិនិត្យ។.
នោះមានន័យថា លទ្ធផលដ៏មានតម្លៃមិនមែនជា "ម៉ូលេគុលថ្មីចំនួន 150" នោះទេ។ លទ្ធផលដ៏មានតម្លៃគឺបេក្ខជនដែលអាចពិនិត្យឡើងវិញបានចំនួន 9 នាក់ក្នុងរយៈពេលតិចជាង 1 ម៉ោង ជាមួយនឹងដានសវនកម្មច្បាស់លាស់ដែលបង្ហាញពីការរឹតបន្តឹងណាដែលបេក្ខជនម្នាក់ៗបានឆ្លងកាត់ ឬបរាជ័យ។.
ក្រុមមួយអាចផ្ទៀងផ្ទាត់រឿងនេះដោយតាមដាន៖
ពេលវេលាដែលចំណាយក្នុងមួយវដ្តរចនា
ចំនួនរចនាសម្ព័ន្ធដែលបានបង្កើត
ភាគរយដែលត្រូវបានដកចេញដោយតម្រង
អត្រាទទួលយកអ្នកគីមីវិទ្យា
ចំនួនបេក្ខជនដែលត្រូវបានជ្រើសរើសសម្រាប់ការសំយោគ
ចំនួនក្រោយត្រូវបានបញ្ជាក់ថាសកម្មក្នុងការវិភាគ
អ្វីដែលអាចខុសបាន
ម៉ូដែលនេះអាចធ្វើឱ្យប្រសើរឡើងជុំវិញតម្រងជំនួសឱ្យការស្នើឱ្យមានគីមីវិទ្យាដែលសមហេតុផលពិតប្រាកដ។.
បេក្ខជនអាចមើលទៅល្អឥតខ្ចោះនៅក្នុង ADMET ដែលបានព្យាករណ៍ ប៉ុន្តែបរាជ័យភ្លាមៗនៅក្នុងការវិភាគពិតប្រាកដ។ គោលការណ៍ផ្ទៀងផ្ទាត់ OECD QSAR
ការណែនាំអំពីការសំយោគឡើងវិញអាចមើលទៅគួរឲ្យជឿទុកចិត្តបាន ខណៈពេលដែលពឹងផ្អែកលើសារធាតុប្រតិកម្មដែលមិនអាចប្រើបាន លក្ខខណ្ឌឆ្គង ឬគីមីវិទ្យាមិនមានសុវត្ថិភាព។.
តម្រងថ្មីអាចយកសមាសធាតុសំខាន់ៗចេញយ៉ាងខ្លាំងពេក ឬអនុញ្ញាតឱ្យម៉ូលេគុលដែលនៅជិតនឹង IP ដែលគេស្គាល់ឆ្លងកាត់។.
កំហុសដ៏ធំបំផុតគឺការចាត់ទុកបញ្ជីចំណាត់ថ្នាក់ជាការពិត។ វាគ្រាន់តែជាបញ្ជីសម្មតិកម្មដែលមានអាទិភាពប៉ុណ្ណោះ។.
សម្ភារៈសិក្សាជាក់ស្តែង
ការប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) ដែលអាចបង្កើតបានល្អបំផុតក្នុងការស្វែងរកថ្នាំមិនមែនជា "ចុចប៊ូតុង ទទួលបានថ្នាំ" នោះទេ។ វាគឺជារោងចក្រគំនិតដែលគ្រប់គ្រងបាន៖ បង្កើតយ៉ាងទូលំទូលាយ ត្រងយ៉ាងឃោរឃៅ កត់ត្រារាល់ការសម្រេចចិត្ត និងអនុញ្ញាតឱ្យអ្នកវិទ្យាសាស្ត្រធ្វើការសម្រេចចុងក្រោយ។.
សំណួរដែលសួរញឹកញាប់
តើតួនាទីរបស់បញ្ញាសិប្បនិម្មិតដែលបង្កើតឡើងក្នុងការស្វែងរកថ្នាំជាអ្វី?
បញ្ញាសិប្បនិម្មិត (AI) ដែលបង្កើតថ្មី (Generative AI) ជាចម្បងពង្រីកចីវលោគំនិតក្នុងការរកឃើញដំបូង និងការបង្កើនប្រសិទ្ធភាពនាំមុខគេ ដោយស្នើឡើងនូវម៉ូលេគុលបេក្ខជន លំដាប់ប្រូតេអ៊ីន ផ្លូវសំយោគ និងសម្មតិកម្មជីវសាស្ត្រ។ តម្លៃគឺតិចជាង "ជំនួសការពិសោធន៍" និងច្រើនជាង "ជ្រើសរើសការពិសោធន៍ល្អជាង" ដោយបង្កើតជម្រើសជាច្រើន ហើយបន្ទាប់មកត្រងយ៉ាងលំបាក។ វាដំណើរការបានល្អបំផុតជាឧបករណ៍បង្កើនល្បឿននៅក្នុងលំហូរការងារដែលមានវិន័យ មិនមែនជាអ្នកធ្វើការសម្រេចចិត្តឯករាជ្យនោះទេ។.
តើនៅកន្លែងណាដែលបញ្ញាសិប្បនិម្មិតបង្កើតថ្មីដំណើរការបានល្អបំផុតនៅទូទាំងដំណើរការស្វែងរកថ្នាំ?
វាមានទំនោរផ្តល់តម្លៃច្រើនបំផុតនៅកន្លែងដែលទំហំសម្មតិកម្មមានទំហំធំទូលាយ ហើយការធ្វើម្តងទៀតមានតម្លៃថ្លៃ ដូចជាការកំណត់អត្តសញ្ញាណអ្នកវាយប្រហារ ការរចនាថ្មី និងការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខ។ ក្រុមក៏ប្រើវាសម្រាប់ការតម្រៀប ADMET ការណែនាំអំពីការសំយោគឡើងវិញ និងការគាំទ្រអក្សរសិល្ប៍ ឬសម្មតិកម្មផងដែរ។ អត្ថប្រយោជន៍ធំបំផុតជាធម្មតាបានមកពីការរួមបញ្ចូលការបង្កើតជាមួយតម្រង ការដាក់ពិន្ទុ និងការពិនិត្យឡើងវិញរបស់មនុស្ស ជាជាងការរំពឹងថាគំរូតែមួយនឹង "ឆ្លាតវៃ"។
តើអ្នកកំណត់ការរឹតបន្តឹងយ៉ាងដូចម្តេច ដើម្បីកុំឱ្យគំរូបង្កើតមិនបង្កើតម៉ូលេគុលដែលគ្មានប្រយោជន៍?
វិធីសាស្រ្តជាក់ស្តែងមួយគឺកំណត់ការរឹតបន្តឹងមុនពេលបង្កើត៖ ជួរលក្ខណៈសម្បត្តិ (ដូចជាគោលដៅរលាយ ឬ logP) ច្បាប់រនាំង ឬរចនាសម្ព័ន្ធរង លក្ខណៈពិសេសនៃកន្លែងភ្ជាប់ និងដែនកំណត់នៃភាពថ្មី។ បន្ទាប់មកអនុវត្តតម្រងគីមីវិទ្យាឱសថ (រួមទាំងក្រុម PAINS/ប្រតិកម្ម) និងការត្រួតពិនិត្យសមត្ថភាពសំយោគ។ ការបង្កើតការរឹតបន្តឹងដំបូងមានប្រយោជន៍ជាពិសេសជាមួយនឹងការរចនាម៉ូលេគុលបែបសាយភាយ និងក្របខ័ណ្ឌដូចជា REINVENT 4 ដែលគោលដៅពហុគោលបំណងអាចត្រូវបានអ៊ិនកូដ។.
តើក្រុមការងារគួរផ្ទៀងផ្ទាត់លទ្ធផល GenAI យ៉ាងដូចម្តេច ដើម្បីជៀសវាងការយល់ច្រឡំ និងទំនុកចិត្តលើសលប់?
ចាត់ទុករាល់លទ្ធផលជាសម្មតិកម្ម មិនមែនជាការសន្និដ្ឋានទេ ហើយផ្ទៀងផ្ទាត់ជាមួយនឹងការវាស់វែង និងគំរូ orthogonal។ ផ្គូផ្គងការបង្កើតជាមួយនឹងការច្រោះយ៉ាងសកម្ម ការចត ឬការដាក់ពិន្ទុនៅកន្លែងសមស្រប និងការត្រួតពិនិត្យដែនអនុវត្តសម្រាប់ឧបករណ៍ព្យាករណ៍រចនាប័ទ្ម QSAR។ ធ្វើឱ្យភាពមិនប្រាកដប្រជាអាចមើលឃើញនៅពេលដែលអាចធ្វើទៅបាន ពីព្រោះគំរូអាចខុសដោយទំនុកចិត្តលើគីមីវិទ្យាក្រៅការចែកចាយ ឬការអះអាងជីវសាស្ត្រដែលមិនស្ថិតស្ថេរ។ ការពិនិត្យឡើងវិញដោយមនុស្សនៅក្នុងរង្វិលជុំនៅតែជាលក្ខណៈពិសេសសុវត្ថិភាពស្នូល។.
តើអ្នកអាចការពារការលេចធ្លាយទិន្នន័យ ហានិភ័យ IP និងលទ្ធផល "ដែលត្រូវបានរក្សាទុក" យ៉ាងដូចម្តេច?
ប្រើប្រាស់ការគ្រប់គ្រង និងការគ្រប់គ្រងការចូលប្រើ ដើម្បីកុំឱ្យព័ត៌មានលម្អិតអំពីកម្មវិធីដែលងាយរងគ្រោះត្រូវបានដាក់ចូលទៅក្នុងប្រអប់បញ្ចូលព័ត៌មានដោយចៃដន្យ ហើយកត់ត្រាប្រអប់បញ្ចូលព័ត៌មាន/លទ្ធផលសម្រាប់ភាពអាចធ្វើសវនកម្មបាន។ អនុវត្តការត្រួតពិនិត្យភាពថ្មីថ្មោង និងភាពស្រដៀងគ្នា ដើម្បីកុំឱ្យបេក្ខជនដែលបានបង្កើតនៅជិតសមាសធាតុដែលគេស្គាល់ ឬតំបន់ដែលត្រូវបានការពារពេក។ រក្សាច្បាប់ច្បាស់លាស់អំពីទិន្នន័យអ្វីដែលត្រូវបានអនុញ្ញាតនៅក្នុងប្រព័ន្ធខាងក្រៅ ហើយចូលចិត្តបរិស្ថានដែលមានការគ្រប់គ្រងសម្រាប់ការងារដែលងាយរងគ្រោះខ្ពស់។ ការពិនិត្យឡើងវិញដោយមនុស្សជួយចាប់បានការផ្ដល់យោបល់ "ស៊ាំពេក" តាំងពីដំបូង។.
តើបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដែលបង្កើតឡើងដោយមនុស្ស (AI) ត្រូវបានប្រើសម្រាប់ការបង្កើនប្រសិទ្ធភាពអតិថិជនដែលមានសក្តានុពល និងការលៃតម្រូវប៉ារ៉ាម៉ែត្រច្រើនយ៉ាងដូចម្តេច?
នៅក្នុងការបង្កើនប្រសិទ្ធភាពនៃការនាំមុខ បញ្ញាសិប្បនិម្មិត (AI) ដែលអាចបង្កើតបានគឺមានតម្លៃ ពីព្រោះវាអាចស្នើដំណោះស្រាយសម្របសម្រួលច្រើនជំនួសឱ្យការដេញតាមសមាសធាតុ "ល្អឥតខ្ចោះ" តែមួយ។ លំហូរការងារទូទៅរួមមាន ការផ្តល់យោបល់អាណាឡូក ការស្កេនជំនួសដែលមានការណែនាំ និងការលោតរនាំងនៅពេលដែលសក្តានុពល ជាតិពុល ឬការរឹតបន្តឹង IP រារាំងវឌ្ឍនភាព។ ឧបករណ៍ព្យាករណ៍លក្ខណៈសម្បត្តិអាចមានភាពផុយស្រួយ ដូច្នេះក្រុមជាធម្មតាចាត់ថ្នាក់បេក្ខជនដែលមានគំរូច្រើន ហើយបន្ទាប់មកបញ្ជាក់ជម្រើសល្អបំផុតដោយពិសោធន៍។.
តើបញ្ញាសិប្បនិម្មិតបង្កើតថ្មីអាចជួយដល់ជីវសាស្ត្រ និងវិស្វកម្មប្រូតេអ៊ីនដែរឬទេ?
មែនហើយ - ក្រុមនានាប្រើប្រាស់វាសម្រាប់ការបង្កើតលំដាប់អង្គបដិប្រាណ គំនិតនៃភាពចាស់ទុំនៃចំណងទាក់ទង ការកែលម្អស្ថេរភាព និងការរុករកអង់ស៊ីម ឬប៉ិបទីត។ ការបង្កើតប្រូតេអ៊ីន/លំដាប់អាចមើលទៅគួរឱ្យជឿជាក់ដោយមិនចាំបាច់អាចអភិវឌ្ឍបាន ដូច្នេះវាមានសារៈសំខាន់ណាស់ក្នុងការអនុវត្តតម្រងលទ្ធភាពអភិវឌ្ឍន៍ ភាពបង្កើតភាពស៊ាំ និងសមត្ថភាពផលិត។ ឧបករណ៍រចនាសម្ព័ន្ធដូចជា AlphaFold អាចគាំទ្រការវែកញែក ប៉ុន្តែ "រចនាសម្ព័ន្ធគួរឱ្យជឿជាក់" នៅតែមិនមែនជាភស្តុតាងនៃការបញ្ចេញមតិ មុខងារ ឬសុវត្ថិភាពនោះទេ។ រង្វិលជុំមន្ទីរពិសោធន៍សើមនៅតែមានសារៈសំខាន់។.
តើបញ្ញាសិប្បនិម្មិតបង្កើតថ្មីគាំទ្រដល់ការធ្វើផែនការសំយោគ និងការសំយោគឡើងវិញយ៉ាងដូចម្តេច?
អ្នករៀបចំផែនការ Retrosynthesis អាចណែនាំផ្លូវ សម្ភារៈចាប់ផ្តើម និងចំណាត់ថ្នាក់ផ្លូវ ដើម្បីបង្កើនល្បឿននៃការបង្កើតគំនិត និងច្រានចោលផ្លូវដែលមិនអាចអនុវត្តបានយ៉ាងឆាប់រហ័ស។ ឧបករណ៍ និងវិធីសាស្រ្តដូចជាការធ្វើផែនការបែប AiZynthFinder មានប្រសិទ្ធភាពបំផុត នៅពេលដែលផ្គូផ្គងជាមួយនឹងការត្រួតពិនិត្យលទ្ធភាពក្នុងពិភពពិតពីអ្នកគីមីវិទ្យា។ ភាពអាចរកបាន សុវត្ថិភាព ការរឹតបន្តឹងលើការធ្វើមាត្រដ្ឋាន និង "ប្រតិកម្មក្រដាស" ដែលបរាជ័យក្នុងការអនុវត្តនៅតែត្រូវការការវិនិច្ឆ័យរបស់មនុស្ស។ ការប្រើប្រាស់វិធីនេះ វាជួយសន្សំសំចៃពេលវេលាដោយមិនធ្វើពុតថាគីមីវិទ្យាត្រូវបានដោះស្រាយ។.
ឯកសារយោង
-
ធម្មជាតិ - ការពិនិត្យឡើងវិញអំពីការរកឃើញលីហ្គែន (ឆ្នាំ ២០២៣) - nature.com
-
ជីវបច្ចេកវិទ្យាធម្មជាតិ - GENTRL (2019) - nature.com
-
ធម្មជាតិ - AlphaFold (2021) - nature.com
-
ធម្មជាតិ - ការសាយភាយ RF (2023) - nature.com
-
ជីវបច្ចេកវិទ្យាធម្មជាតិ - ម៉ាស៊ីនបង្កើតប្រូតេអ៊ីន (2024) - nature.com
-
Nature Communications - ផលប៉ះពាល់ជាបាច់ក្នុងការថតរូបភាពកោសិកា (2024) - nature.com
-
វេជ្ជសាស្ត្រឌីជីថល npj - ការយល់ច្រឡំ + ក្របខ័ណ្ឌសុវត្ថិភាព (២០២៥) - nature.com
-
វេជ្ជសាស្ត្រឌីជីថល npj - ពហុម៉ូឌុលក្នុងបច្ចេកវិទ្យាជីវសាស្ត្រ (២០២៥) - nature.com
-
វិទ្យាសាស្ត្រ - ប្រូតេអ៊ីន MPNN (2022) - science.org
-
គំរូកោសិកា - បរិញ្ញាបត្រជាន់ខ្ពស់ផ្នែកវេជ្ជសាស្ត្រ (LLM) ក្នុងការរកឃើញថ្នាំ (ឆ្នាំ២០២៥) - cell.com
-
ScienceDirect (Elsevier) - គំរូបង្កើតថ្មីក្នុងការរចនាឱសថថ្មី (2024) - sciencedirect.com
-
ScienceDirect (Elsevier) - Vogt (2023): ក្តីបារម្ភអំពីភាពថ្មីថ្មោង/ភាពប្លែក - sciencedirect.com
-
ការវិភាគរូបភាពវេជ្ជសាស្ត្រ (ScienceDirect) - បញ្ញាសិប្បនិម្មិតពហុម៉ូឌុលក្នុងវេជ្ជសាស្ត្រ (២០២៥) - sciencedirect.com
-
PubMed Central - មគ្គុទ្ទេសក៍សម្រាប់គ្រូពេទ្យ (ហានិភ័យនៃការយល់ច្រឡំ) - nih.gov
-
គណនីស្រាវជ្រាវគីមី (ការបោះពុម្ពផ្សាយ ACS) - លំហគីមី (២០១៥) - acs.org
-
PubMed Central - Irwin & Shoichet (2009): មាត្រដ្ឋានលំហគីមី - nih.gov
-
ព្រំដែនក្នុងការរកឃើញគ្រឿងញៀន (PubMed Central) - ការពិនិត្យឡើងវិញ (ឆ្នាំ ២០២៤) - nih.gov
-
ទិនានុប្បវត្តិព័ត៌មានគីមី និងការធ្វើគំរូ (ការបោះពុម្ពផ្សាយ ACS) - គំរូសាយភាយក្នុងការរចនាឱសថថ្មី (2024) - acs.org
-
PubMed Central - REINVENT 4 (ក្របខ័ណ្ឌបើកចំហ) - nih.gov
-
PubMed Central - ADMETlab 2.0 (ADMET ដំបូងមានសារៈសំខាន់) - nih.gov
-
OECD - គោលការណ៍សម្រាប់ការផ្ទៀងផ្ទាត់សម្រាប់គោលបំណងបទប្បញ្ញត្តិនៃគំរូ (Q)SAR - oecd.org
-
OECD - ឯកសារណែនាំស្តីពីការផ្ទៀងផ្ទាត់គំរូ (Q)SAR - oecd.org
-
គណនីស្រាវជ្រាវគីមី (ការបោះពុម្ពផ្សាយ ACS) - ការធ្វើផែនការសំយោគដោយមានជំនួយពីកុំព្យូទ័រ / CASP (Coley, 2018) - acs.org
-
វិទ្យាសាស្ត្រកណ្តាល ACS (ការបោះពុម្ពផ្សាយ ACS) - ការសំយោគឡើងវិញដោយមានជំនួយពីកុំព្យូទ័រ (Coley, 2017) - acs.org
-
PubMed កណ្តាល - AiZynthFinder (2020) - nih.gov
-
PubMed - Lipinski៖ ច្បាប់នៃបរិបទ 5 - nih.gov
-
ទិនានុប្បវត្តិគីមីវិទ្យាឱសថ (ការបោះពុម្ពផ្សាយ ACS) - Baell & Holloway (2010): PAINS - acs.org
-
PubMed - Waring (2015): ការបាត់បង់ - nih.gov
-
PubMed - Rives (2021): គំរូភាសាប្រូតេអ៊ីន - nih.gov
-
PubMed Central - Leek et al. (2010): ផលប៉ះពាល់ជាបាច់ - nih.gov
-
PubMed Central - ការពិនិត្យឡើងវិញអំពីការសាយភាយ (ឆ្នាំ ២០២៥) - nih.gov
-
FDA - E14 និង S7B៖ ការវាយតម្លៃគ្លីនិក និងមិនមែនគ្លីនិកនៃការពន្យារចន្លោះពេល QT/QTc និងសក្តានុពលនៃការកើតជំងឺចង្វាក់បេះដូងមិនប្រក្រតី (សំណួរ និងចម្លើយ) - fda.gov
-
ទីភ្នាក់ងារឱសថអឺរ៉ុប - ទិដ្ឋភាពទូទៅនៃគោលការណ៍ណែនាំ ICH E14/S7B - europa.eu
-
USENIX - Carlini et al. (2021): ទាញយកទិន្នន័យបណ្តុះបណ្តាលពីគំរូភាសា - usenix.org
-
សាកលវិទ្យាល័យ Edinburgh – សេវាកម្មស្រាវជ្រាវឌីជីថល - ធនធានសៀវភៅកត់ត្រាមន្ទីរពិសោធន៍អេឡិចត្រូនិច (ELN) - ed.ac.uk
-
ScienceDirect (Elsevier) - Weaver (2008): ដែន QSAR នៃការអនុវត្ត - sciencedirect.com