ບົດບາດຂອງ Generative AI ໃນການຄົ້ນພົບຢາເສບຕິດແມ່ນຫຍັງ? [ວິດີໂອ ແລະ ແບບສອບຖາມ]

ຄຳຕອບສັ້ນໆ: ປັນຍາປະດິດ AI ສ່ວນໃຫຍ່ເລັ່ງການຄົ້ນພົບຢາໃນໄລຍະຕົ້ນໆໂດຍການສ້າງໂມເລກຸນ ຫຼື ລຳດັບໂປຣຕີນ, ສະເໜີເສັ້ນທາງການສັງເຄາະ, ແລະ ເປີດເຜີຍສົມມຸດຕິຖານທີ່ສາມາດທົດສອບໄດ້, ດັ່ງນັ້ນທີມງານສາມາດດຳເນີນການທົດລອງ "ຕາບອດ" ໜ້ອຍລົງ. ມັນເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອທ່ານບັງຄັບໃຊ້ຂໍ້ຈຳກັດທີ່ແຂງແກ່ນ ແລະ ກວດສອບຄວາມຖືກຕ້ອງຂອງຜົນຜະລິດ; ຖືກປະຕິບັດຄືກັບຜູ້ທຳນາຍ, ມັນສາມາດຫຼອກລວງໄດ້ດ້ວຍຄວາມໝັ້ນໃຈ.

ບົດຮຽນຫຼັກ:

ການເລັ່ງ: ໃຊ້ GenAI ເພື່ອຂະຫຍາຍການສ້າງແນວຄວາມຄິດ, ຈາກນັ້ນຈຳກັດຄວາມສຳຄັນດ້ວຍການກັ່ນຕອງທີ່ເຂັ້ມງວດ.

ຂໍ້ຈຳກັດ: ຕ້ອງການຂອບເຂດຊັບສິນ, ກົດລະບຽບຂອງໂຄງສ້າງ, ແລະ ຂໍ້ຈຳກັດຂອງຄວາມແປກໃໝ່ກ່ອນການສ້າງ.

ການກວດສອບຄວາມຖືກຕ້ອງ: ປະຕິບັດຕໍ່ຜົນຜະລິດເປັນສົມມຸດຕິຖານ; ຢືນຢັນດ້ວຍການວິເຄາະ ແລະ ແບບຈຳລອງມຸມສາກ.

ການຕິດຕາມໄດ້: ບັນທຶກການກະຕຸ້ນ, ຜົນຜະລິດ ແລະ ເຫດຜົນ ເພື່ອໃຫ້ການຕັດສິນໃຈສາມາດກວດສອບ ແລະ ທົບທວນຄືນໄດ້.

ການຕ້ານທານການໃຊ້ໃນທາງທີ່ຜິດ: ປ້ອງກັນການຮົ່ວໄຫຼ ແລະ ຄວາມໝັ້ນໃຈເກີນໄປດ້ວຍການຄຸ້ມຄອງ, ການຄວບຄຸມການເຂົ້າເຖິງ ແລະ ການທົບທວນຄືນຂອງມະນຸດ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ບົດບາດຂອງ AI ໃນການດູແລສຸຂະພາບ
ວິທີທີ່ AI ປັບປຸງການວິນິດໄສ, ຂັ້ນຕອນການເຮັດວຽກ, ການດູແລຄົນເຈັບ ແລະ ຜົນໄດ້ຮັບ.

🔗 AI ຈະທົດແທນນັກວິທະຍາສາດດ້ານລັງສີບໍ?
ສຳຫຼວດວິທີທີ່ລະບົບອັດຕະໂນມັດເສີມຂະຫຍາຍລັງສີວິທະຍາ ແລະ ສິ່ງທີ່ຍັງຄົງເປັນມະນຸດ.

🔗 AI ຈະທົດແທນທ່ານໝໍໄດ້ບໍ?
ການພິຈາລະນາຢ່າງຊື່ສັດຕໍ່ຜົນກະທົບຂອງ AI ຕໍ່ວຽກ ແລະ ການປະຕິບັດຂອງທ່ານໝໍ.

🔗 ເຄື່ອງມືຫ້ອງທົດລອງ AI ທີ່ດີທີ່ສຸດສຳລັບການຄົ້ນພົບທາງວິທະຍາສາດ
ເຄື່ອງມືຫ້ອງທົດລອງ AI ຊັ້ນນໍາເພື່ອເລັ່ງການທົດລອງ, ການວິເຄາະ ແລະ ການຄົ້ນພົບ.

ບົດບາດຂອງ AI ທີ່ສ້າງສັນໃນການຄົ້ນພົບຢາເສບຕິດ, ໃນລົມຫາຍໃຈດຽວ 😮💨

ປັນຍາປະດິດ AI ຊ່ວຍໃຫ້ທີມງານຢາ ສ້າງ ໂມເລກຸນທີ່ເໝາະສົມ, ຄາດຄະເນຄຸນສົມບັດ, ແນະນຳການດັດແປງ, ສະເໜີເສັ້ນທາງການສັງເຄາະ, ສຳຫຼວດສົມມຸດຕິຖານທາງຊີວະວິທະຍາ, ແລະ ບີບອັດວົງຈອນການເຮັດຊ້ຳ - ໂດຍສະເພາະໃນການຄົ້ນພົບໃນໄລຍະຕົ້ນ ແລະ ການເພີ່ມປະສິດທິພາບຂອງຜູ້ນຳ. Nature 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ) ການທົບທວນ Elsevier 2024 (ຮູບແບບການສ້າງໃນການອອກແບບຢາ de novo)

ແລະແມ່ນແລ້ວ, ມັນຍັງສາມາດສ້າງເລື່ອງໄຮ້ສາລະໄດ້ຢ່າງໝັ້ນໃຈ. ນັ້ນແມ່ນສ່ວນໜຶ່ງຂອງຂໍ້ຕົກລົງ. ຄືກັບນັກຝຶກງານທີ່ມີຄວາມກະຕືລືລົ້ນຫຼາຍກັບເຄື່ອງຈັກຈະຫຼວດ. ຄູ່ມືແພດ (ຄວາມສ່ຽງຂອງການປະສາດຫຼອນ) npj ການແພດດິຈິຕອນ 2025 (ການປະສາດຫຼອນ + ກອບຄວາມປອດໄພ)

ເປັນຫຍັງເລື່ອງນີ້ຈຶ່ງສຳຄັນຫຼາຍກວ່າທີ່ຄົນເຮົາຍອມຮັບ 💥

ວຽກງານຄົ້ນພົບຫຼາຍຢ່າງແມ່ນ "ການຄົ້ນຫາ." ຄົ້ນຫາພື້ນທີ່ເຄມີ, ຄົ້ນຫາຊີວະວິທະຍາ, ຄົ້ນຫາວັນນະຄະດີ, ຄົ້ນຫາຄວາມສຳພັນລະຫວ່າງໂຄງສ້າງ-ໜ້າທີ່. ບັນຫາແມ່ນພື້ນທີ່ເຄມີແມ່ນ... ໂດຍພື້ນຖານແລ້ວແມ່ນບໍ່ມີຂອບເຂດ. ບັນຊີການຄົ້ນຄວ້າທາງເຄມີ 2015 (ພື້ນທີ່ເຄມີ) Irwin & Shoichet 2009 (ມາດຕາສ່ວນພື້ນທີ່ເຄມີ)

ເຈົ້າສາມາດໃຊ້ເວລາຫຼາຍຊີວິດພຽງແຕ່ລອງໃຊ້ການປ່ຽນແປງທີ່ "ສົມເຫດສົມຜົນ".

Generative AI ປ່ຽນຂະບວນການເຮັດວຽກຈາກ:

• “ລອງທົດສອບເບິ່ງວ່າພວກເຮົາສາມາດຄິດຫຍັງໄດ້ແດ່”

ເຖິງ:

• "ມາສ້າງຊຸດທາງເລືອກທີ່ໃຫຍ່ກວ່າ ແລະ ສະຫຼາດກວ່າ, ຈາກນັ້ນທົດສອບທາງເລືອກທີ່ດີທີ່ສຸດ"

ມັນບໍ່ແມ່ນກ່ຽວກັບການລົບລ້າງການທົດລອງ. ມັນກ່ຽວກັບ ການເລືອກການທົດລອງທີ່ດີກວ່າ. 🧠 ທຳມະຊາດ 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ນອກຈາກນີ້, ແລະສິ່ງນີ້ຍັງບໍ່ໄດ້ຮັບການສົນທະນາຫຼາຍ, ມັນຊ່ວຍໃຫ້ທີມງານ ສົນທະນາກັນໄດ້ໃນຫຼາຍສາຂາວິຊາ. ນັກເຄມີ, ນັກຊີວະວິທະຍາ, ຄົນ DMPK, ນັກວິທະຍາສາດດ້ານຄອມພິວເຕີ... ທຸກຄົນມີຮູບແບບທາງຈິດທີ່ແຕກຕ່າງກັນ. ລະບົບການສ້າງທີ່ເໝາະສົມສາມາດເປັນແຜນວາດຮ່ວມກັນໄດ້. ການທົບທວນຄືນ Frontiers in Drug Discovery 2024

ສິ່ງໃດທີ່ເຮັດໃຫ້ AI ລຸ້ນທີ່ດີສຳລັບການຄົ້ນພົບຢາ? ✅

ບໍ່ແມ່ນ AI ທີ່ສ້າງສັນທັງໝົດຈະຖືກສ້າງຂຶ້ນມາເທົ່າທຽມກັນ. ຮຸ່ນ "ດີ" ສຳລັບພື້ນທີ່ນີ້ແມ່ນກ່ຽວກັບການສາທິດທີ່ໜ້າສົນໃຈໜ້ອຍລົງ ແລະ ກ່ຽວກັບຄວາມໜ້າເຊື່ອຖືທີ່ບໍ່ໜ້າສົນໃຈຫຼາຍກວ່າ (ຄວາມບໍ່ໜ້າສົນໃຈແມ່ນຄຸນງາມຄວາມດີຢູ່ທີ່ນີ້). Nature 2023 (ການທົບທວນການຄົ້ນພົບ ligand)

ການຕັ້ງຄ່າ AI ທີ່ດີໂດຍທົ່ວໄປແລ້ວມີ:

• ການຕິດພັນກັບໂດເມນ: ໄດ້ຮັບການຝຶກອົບຮົມ ຫຼື ປັບຕົວເຂົ້າກັບຂໍ້ມູນທາງເຄມີ, ຊີວະວິທະຍາ, ແລະ ການຢາ (ບໍ່ພຽງແຕ່ຂໍ້ຄວາມທົ່ວໄປເທົ່ານັ້ນ) 🧬 ການທົບທວນ Elsevier 2024 (ຮູບແບບການກຳເນີດ)

• ຂໍ້ຈຳກັດ - ລຸ້ນທຳອິດ: ມັນສາມາດປະຕິບັດຕາມກົດລະບຽບຕ່າງໆເຊັ່ນ: ຂອບເຂດ lipophilicity, ຂໍ້ຈຳກັດຂອງ scaffold, ລັກສະນະຂອງສະຖານທີ່ຜູກມັດ, ເປົ້າໝາຍການເລືອກເຟັ້ນ JCIM 2024 (ຮູບແບບການແຜ່ກະຈາຍໃນການອອກແບບຢາ de novo) REINVENT 4 (ຂອບການເຮັດວຽກແບບເປີດ)

• ການຮັບຮູ້ຄຸນສົມບັດ: ມັນສ້າງໂມເລກຸນທີ່ບໍ່ພຽງແຕ່ແປກໃໝ່ເທົ່ານັ້ນແຕ່ຍັງ "ບໍ່ໂງ່" ໃນແງ່ຂອງ ADMET ADMETlab 2.0 (ເປັນຫຍັງ ADMET ຕົ້ນໆຈຶ່ງມີຄວາມສຳຄັນ)

• ການລາຍງານຄວາມບໍ່ແນ່ນອນ: ມັນສະແດງສັນຍານເມື່ອມັນຄາດເດົາ ທຽບກັບເມື່ອມັນແຂງແກ່ນ (ເຖິງແມ່ນວ່າແຖບຄວາມໝັ້ນໃຈດິບໆກໍ່ຊ່ວຍໄດ້) ຫຼັກການການຢັ້ງຢືນ OECD QSAR (ໂດເມນການນຳໃຊ້)

• ການຄວບຄຸມແບບມະນຸດໃນວົງຈອນ: ນັກເຄມີສາມາດຊີ້ນຳ, ປະຕິເສດ ແລະ ນຳພາຜົນຜະລິດໄດ້ຢ່າງວ່ອງໄວ ທຳມະຊາດ 2023 (ຂະບວນການເຮັດວຽກ + ບໍລິບົດເຕັກໂນໂລຊີການຄົ້ນພົບ)

• ການຕິດຕາມໄດ້: ທ່ານສາມາດເຫັນໄດ້ວ່າເປັນຫຍັງຄໍາແນະນໍາຈຶ່ງເກີດຂຶ້ນ (ຢ່າງໜ້ອຍບາງສ່ວນ), ຫຼືທ່ານບໍ່ໄດ້ປະຕິບັດ ຕາມຄໍາແນະນໍາຂອງ OECD QSAR (ຄວາມໂປ່ງໃສຂອງຮູບແບບ + ການກວດສອບຄວາມຖືກຕ້ອງ)

• ສາຍຮັດການປະເມີນຜົນ: ການເຊື່ອມຕໍ່, QSAR, ຕົວກອງ, ການກວດສອບການສັງເຄາະຄືນໃໝ່ - ທັງໝົດເຊື່ອມຕໍ່ໃນ 🔧 Nature 2023 (ການທົບທວນການຄົ້ນພົບລີກັນ) ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນ CASP (Coley 2018)

• ການຄວບຄຸມອະຄະຕິ ແລະ ການຮົ່ວໄຫຼ: ເພື່ອຫຼີກລ່ຽງການທ່ອງຈຳຂໍ້ມູນການຝຶກອົບຮົມແບບລັກລອບເຂົ້າມາ (ແມ່ນແລ້ວ, ມັນເກີດຂຶ້ນ) USENIX 2021 (ການສະກັດຂໍ້ມູນການຝຶກອົບຮົມ) Vogt 2023 (ຄວາມກັງວົນກ່ຽວກັບຄວາມແປກໃໝ່/ຄວາມເປັນເອກະລັກ)

ຖ້າ AI ທີ່ສ້າງຂື້ນຂອງເຈົ້າບໍ່ສາມາດຈັດການກັບຂໍ້ຈຳກັດໄດ້, ມັນກໍ່ຄືຕົວສ້າງຄວາມແປກໃໝ່. ມ່ວນໃນງານລ້ຽງ. ມ່ວນໜ້ອຍລົງໃນໂຄງການຢາເສບຕິດ.

ບ່ອນທີ່ AI ທີ່ສ້າງສັນເຂົ້າກັນໄດ້ທົ່ວທໍ່ສົ່ງການຄົ້ນພົບຢາ 🧭

ນີ້ແມ່ນແຜນທີ່ທາງຈິດໃຈແບບງ່າຍໆ. AI ທີ່ສ້າງໄດ້ສາມາດປະກອບສ່ວນໃນເກືອບທຸກຂັ້ນຕອນ, ແຕ່ມັນເຮັດວຽກໄດ້ດີທີ່ສຸດບ່ອນທີ່ການເຮັດຊ້ຳມີລາຄາແພງ ແລະ ພື້ນທີ່ສົມມຸດຕິຖານມີຂະໜາດໃຫຍ່. Nature 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ຈຸດສຳຜັດທົ່ວໄປ:

• ການຄົ້ນພົບເປົ້າໝາຍ ແລະ ການກວດສອບຄວາມຖືກຕ້ອງ (ສົມມຸດຕິຖານ, ການສ້າງແຜນທີ່ເສັ້ນທາງ, ຄຳແນະນຳກ່ຽວກັບເຄື່ອງໝາຍຊີວະພາບ) ຂອບເຂດໃນການຄົ້ນພົບຢາ ການທົບທວນຄືນປີ 2024

• ການລະບຸຕົວຕົນຂອງ Hit (ການເພີ່ມການກວດສອບແບບເສມືນ, ການສ້າງ Hit ໃໝ່) ເຕັກໂນໂລຊີຊີວະພາບທຳມະຊາດ 2019 (GENTRL)

• ການເພີ່ມປະສິດທິພາບຂອງ Lead (ແນະນຳການໃຊ້ analogs, ການປັບແຕ່ງຫຼາຍພາລາມິເຕີ) REINVENT 4

• ການສະໜັບສະໜູນກ່ອນການທົດລອງທາງຄລີນິກ (ການຄາດຄະເນຄຸນສົມບັດຂອງ ADMET, ບາງຄັ້ງຄຳແນະນຳກ່ຽວກັບສູດ) ADMETlab 2.0

• CMC ແລະ ການວາງແຜນການສັງເຄາະ (ຄຳແນະນຳກ່ຽວກັບການສັງເຄາະຄືນໃໝ່, ການຈັດລຽງເສັ້ນທາງ) AiZynthFinder 2020 Coley 2017 (ການສັງເຄາະຄືນໃໝ່ດ້ວຍຄອມພິວເຕີ)

• ວຽກງານຄວາມຮູ້ (ການສັງເຄາະວັນນະຄະດີ, ສະຫຼຸບພູມສັນຖານການແຂ່ງຂັນ) 📚 ຮູບແບບ 2025 (LLM ໃນການຄົ້ນພົບຢາເສບຕິດ)

ໃນຫຼາຍໆໂປຣແກຣມ, ຜົນສຳເລັດທີ່ໃຫຍ່ທີ່ສຸດແມ່ນມາຈາກ ການເຊື່ອມໂຍງຂະບວນການເຮັດວຽກ, ບໍ່ແມ່ນມາຈາກຮູບແບບດຽວທີ່ເປັນ "ອັດສະລິຍະ". ຮູບແບບແມ່ນເຄື່ອງຈັກ - ທໍ່ສົ່ງແມ່ນລົດ. Nature 2023 (ການທົບທວນການຄົ້ນພົບລີກັນ)

ຕາຕະລາງປຽບທຽບ: ວິທີການ AI ທີ່ສ້າງສັນທີ່ນິຍົມໃຊ້ໃນການຄົ້ນພົບຢາ 📊

ຕາຕະລາງທີ່ບໍ່ສົມບູນແບບເລັກນ້ອຍ, ເພາະວ່າຊີວິດຈິງແມ່ນບໍ່ສົມບູນແບບເລັກນ້ອຍ.

ໝາຍເຫດ: ລາຄາແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍຂຶ້ນກັບຂະໜາດ, ການຄຳນວນ, ການອະນຸຍາດ, ແລະວ່າທີມງານຂອງທ່ານຕ້ອງການ "plug and play" ຫຼື "ມາສ້າງຍານອະວະກາດກັນເທາະ."

ເບິ່ງໃກ້ໆ: AI ທີ່ສ້າງສັນສຳລັບການຄົ້ນພົບສິ່ງທີ່ຖືກຕີ ແລະ ການອອກແບບໃໝ່ 🧩

ນີ້ແມ່ນກໍລະນີການນຳໃຊ້ຫົວຂໍ້: ສ້າງໂມເລກຸນຜູ້ສະໝັກຕັ້ງແຕ່ເລີ່ມຕົ້ນ (ຫຼື ຈາກໂຄງສ້າງ) ທີ່ກົງກັບໂປຣໄຟລ໌ເປົ້າໝາຍ. ເຕັກໂນໂລຊີຊີວະພາບທຳມະຊາດ 2019 (GENTRL) REINVENT 4

ມັນມັກຈະເຮັດວຽກແນວໃດໃນການປະຕິບັດ:

1. ກຳນົດຂໍ້ຈຳກັດ

   • ຊັ້ນເປົ້າໝາຍ, ຮູບຮ່າງຂອງຖົງຜູກມັດ, ລີກັນທີ່ຮູ້ຈັກ

   • ຂອບເຂດຄຸນສົມບັດ (ຄວາມລະລາຍ, logP, PSA, ແລະອື່ນໆ) Lipinski (ສະພາບການຂອງກົດລະບຽບ 5)

   • ຂໍ້ຈຳກັດດ້ານຄວາມແປກໃໝ່ (ຫຼີກລ່ຽງເຂດ IP ທີ່ຮູ້ຈັກ) 🧠 Vogt 2023 (ການປະເມີນຄວາມແປກໃໝ່)

2. ສ້າງຜູ້ສະໝັກ

   • ການໂດດຂຶ້ນນັ່ງຮ້ານ

   • ການເຕີບໂຕຂອງຊິ້ນສ່ວນ

   • ຄຳແນະນຳ "ຕົກແຕ່ງຫຼັກນີ້"

   • ການສ້າງຫຼາຍຈຸດປະສົງ (ຜູກມັດ + ຊຶມເຂົ້າໄດ້ + ບໍ່ເປັນພິດ) REINVENT 4 Elsevier 2024 (ຮູບແບບການສ້າງ)

3. ກັ່ນຕອງຢ່າງຮຸກຮານ

   • ກົດລະບຽບເຄມີສາດທາງການແພດ

   • PAINS ແລະ ຕົວກອງກຸ່ມທີ່ມີປະຕິກິລິຍາ Baell & Holloway 2010 (PAINS)

   • ການກວດສອບຄວາມສາມາດໃນການສັງເຄາະ AiZynthFinder 2020

   • ການເຊື່ອມຕໍ່ / ການໃຫ້ຄະແນນ (ບໍ່ສົມບູນແບບແຕ່ເປັນປະໂຫຍດ) Nature 2023 (ການທົບທວນການຄົ້ນພົບລີກັນ)

4. ເລືອກຊຸດນ້ອຍໆສຳລັບການສັງເຄາະ

   • ມະນຸດຍັງເລືອກຢູ່, ເພາະວ່າບາງຄັ້ງມະນຸດສາມາດໄດ້ກິ່ນໄຮ້ສາລະ

ຄວາມຈິງທີ່ໜ້າອາຍ: ຄຸນຄ່າບໍ່ພຽງແຕ່ເປັນ "ໂມເລກຸນໃໝ່" ເທົ່ານັ້ນ. ມັນແມ່ນ ໂມເລກຸນໃໝ່ທີ່ມີຄວາມໝາຍສຳລັບຂໍ້ຈຳກັດຂອງໂປຣແກຣມຂອງທ່ານ. ສ່ວນສຸດທ້າຍນັ້ນແມ່ນທຸກຢ່າງ. ທຳມະຊາດ 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ນອກຈາກນັ້ນ, ການເວົ້າເກີນຈິງເລັກນ້ອຍກໍ່ເຂົ້າມາ: ເມື່ອເຮັດໄດ້ດີ, ມັນອາດຈະຮູ້ສຶກຄືກັບວ່າເຈົ້າໄດ້ຈ້າງທີມງານນັກເຄມີໜຸ່ມທີ່ບໍ່ມີອິດເມື່ອຍ ຜູ້ທີ່ບໍ່ເຄີຍນອນຫຼັບ ແລະ ບໍ່ເຄີຍຈົ່ມ. ແຕ່ອີກເທື່ອໜຶ່ງ, ພວກເຂົາຍັງບໍ່ເຂົ້າໃຈວ່າເປັນຫຍັງຍຸດທະສາດການປົກປ້ອງສະເພາະໃດໜຶ່ງຈຶ່ງເປັນຝັນຮ້າຍ, ສະນັ້ນ... ດຸ່ນດ່ຽງ 😅.

ເບິ່ງໃກ້ໆ: ການເພີ່ມປະສິດທິພາບລູກຄ້າທີ່ມີທ່າແຮງດ້ວຍ AI ທີ່ສ້າງສັນ (ການປັບແຕ່ງຫຼາຍພາລາມິເຕີ) 🎛️

ການເພີ່ມປະສິດທິພາບຂອງຜູ້ນຳແມ່ນບ່ອນທີ່ຄວາມຝັນໄປສູ່ຄວາມສັບສົນ.

ເຈົ້າຕ້ອງການ:

• ສັກກະຍະພາບຂຶ້ນ

• ການເລືອກເຟັ້ນເພີ່ມຂຶ້ນ

• ສະຖຽນລະພາບທາງເມຕາບໍລິຊຶມເພີ່ມຂຶ້ນ

• ການລະລາຍເພີ່ມຂຶ້ນ

• ສັນຍານຄວາມປອດໄພຫຼຸດລົງ

• ການຊຶມຜ່ານ "ຖືກຕ້ອງ"

• ແລະຍັງສາມາດສັງເຄາະໄດ້

ນີ້ແມ່ນການເພີ່ມປະສິດທິພາບຫຼາຍຈຸດປະສົງແບບຄລາສສິກ. AI ທີ່ສ້າງສັນແມ່ນດີເລີດຜິດປົກກະຕິໃນການສະເໜີ ຊຸດ ວິທີແກ້ໄຂການແລກປ່ຽນແທນທີ່ຈະທຳທ່າວ່າມີສານປະສົມທີ່ສົມບູນແບບອັນດຽວ. REINVENT 4 Elsevier 2024 (ຮູບແບບສ້າງສັນ)

ວິທີການປະຕິບັດທີ່ທີມງານນຳໃຊ້ມັນ:

• ຄຳແນະນຳແບບອະນາລັອກ: “ສ້າງ 30 ຊະນິດທີ່ຫຼຸດຜ່ອນການເກັບກູ້ແຕ່ຮັກສາປະສິດທິພາບ”

• ການສະແກນທົດແທນ: ການສຳຫຼວດແບບມີຄູ່ມືແທນການນັບແບບ brute-force

• ການໂດດຂຶ້ນເທິງນັ່ງຮ້ານ: ເມື່ອແກນກາງຕຳກັບກຳແພງ (tox, IP, ຫຼື stability)

• ຄຳແນະນຳແບບອະທິບາຍ: “ກຸ່ມຂົ້ວໂລກນີ້ອາດຈະຊ່ວຍໃຫ້ການລະລາຍໄດ້ ແຕ່ອາດຈະສົ່ງຜົນກະທົບຕໍ່ການຊຶມຜ່ານ” (ບໍ່ຖືກຕ້ອງສະເໝີໄປ, ແຕ່ເປັນປະໂຫຍດ)

ຂໍ້ຄວນລະວັງຢ່າງໜຶ່ງ: ຕົວຄາດຄະເນຄຸນສົມບັດອາດຈະແຕກຫັກງ່າຍ. ຖ້າຂໍ້ມູນການຝຶກອົບຮົມຂອງທ່ານບໍ່ກົງກັບຊຸດເຄມີຂອງທ່ານ, ຮູບແບບອາດຈະຜິດພາດຢ່າງໝັ້ນໃຈ. ຄືກັບວ່າ, ຜິດພາດຫຼາຍ. ແລະມັນຈະບໍ່ໜ້າອັບອາຍ. ຫຼັກການການຢັ້ງຢືນ OECD QSAR (ໂດເມນການນຳໃຊ້) Weaver 2008 (ໂດເມນການນຳໃຊ້ QSAR)

ເບິ່ງໃກ້ໆ: ADMET, ຄວາມເປັນພິດ, ແລະ ການກວດສອບ “ກະລຸນາຢ່າຂ້າໂຄງການ” 🧯

ADMET ແມ່ນບ່ອນທີ່ຜູ້ສະໝັກຫຼາຍຄົນລົ້ມເຫຼວຢ່າງງຽບໆ. ປັນຍາປະດິດທີ່ສ້າງສັນບໍ່ໄດ້ແກ້ໄຂຊີວະວິທະຍາ, ແຕ່ມັນສາມາດຫຼຸດຜ່ອນຄວາມຜິດພາດທີ່ຫຼີກລ່ຽງໄດ້. ADMETlab 2.0 Waring 2015 (attrition)

ພາລະບົດບາດທົ່ວໄປ:

• ການຄາດຄະເນຄວາມຮັບຜິດຊອບດ້ານການເຜົາຜານອາຫານ (ສະຖານທີ່ຂອງການເຜົາຜານອາຫານ, ແນວໂນ້ມການກຳຈັດສານພິດ)

• ການບົ່ງບອກຮູບແບບຄວາມເປັນພິດທີ່ອາດຈະເກີດຂຶ້ນ (ການແຈ້ງເຕືອນ, ຕົວກາງທີ່ມີປະຕິກິລິຍາ)

• ການປະເມີນລະດັບຄວາມລະລາຍ ແລະ ຄວາມສາມາດໃນການຊຶມຜ່ານ

• ແນະນຳການດັດແປງເພື່ອຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງ hERG ຫຼື ປັບປຸງຄວາມໝັ້ນຄົງ 🧪 FDA (ICH E14/S7B ຖາມ-ຕອບ) EMA (ພາບລວມຂອງ ICH E14/S7B)

ຮູບແບບທີ່ມີປະສິດທິພາບທີ່ສຸດມັກຈະມີລັກສະນະແບບນີ້: ໃຊ້ GenAI ເພື່ອສະເໜີທາງເລືອກຕ່າງໆ, ແຕ່ໃຊ້ຮູບແບບ ແລະ ການທົດລອງພິເສດເພື່ອກວດສອບ.

ປັນຍາປະດິດ (AI) ແມ່ນເຄື່ອງຈັກສ້າງແນວຄວາມຄິດ. ການກວດສອບຄວາມຖືກຕ້ອງຍັງຄົງຢູ່ໃນການວິເຄາະ.

ເບິ່ງໃກ້ໆ: AI ທີ່ສ້າງສັນສຳລັບວິສະວະກຳຊີວະວິທະຍາ ແລະ ໂປຣຕີນ 🧬✨

ການຄົ້ນພົບຢາບໍ່ພຽງແຕ່ເປັນໂມເລກຸນຂະໜາດນ້ອຍເທົ່ານັ້ນ. ປັນຍາປະດິດທີ່ຜະລິດໄດ້ຍັງຖືກນຳໃຊ້ສຳລັບ:

• ການສ້າງລຳດັບພູມຕ້ານທານ

• ຄຳແນະນຳກ່ຽວກັບການເຕີບໂຕຂອງຄວາມສຳພັນ

• ການປັບປຸງຄວາມໝັ້ນຄົງຂອງໂປຣຕີນ

• ວິສະວະກຳເອນໄຊມ໌

• ການສຳຫຼວດການປິ່ນປົວດ້ວຍ peptide ProteinMPNN (ວິທະຍາສາດ 2022) Rives 2021 (ຮູບແບບພາສາໂປຣຕີນ)

ການສ້າງໂປຣຕີນ ແລະ ລຳດັບສາມາດມີປະສິດທິພາບເພາະວ່າ "ພາສາ" ຂອງລຳດັບສາມາດເຊື່ອມໂຍງໄດ້ດີກັບວິທີການ ML ຢ່າງໜ້າປະຫລາດໃຈ. ແຕ່ນີ້ແມ່ນການຍ້ອນຫຼັງແບບທຳມະດາ: ມັນເຊື່ອມໂຍງໄດ້ດີ... ຈົນກວ່າມັນຈະບໍ່ມີ. ເພາະວ່າການສ້າງພູມຕ້ານທານ, ການສະແດງອອກ, ຮູບແບບ glycosylation, ແລະ ຂໍ້ຈຳກັດດ້ານການພັດທະນາສາມາດຮ້າຍແຮງໄດ້. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

ດັ່ງນັ້ນການຕັ້ງຄ່າທີ່ດີທີ່ສຸດລວມມີ:

• ຕົວກອງການພັດທະນາ

• ການໃຫ້ຄະແນນຄວາມສ່ຽງດ້ານພູມຕ້ານທານ

• ຂໍ້ຈຳກັດດ້ານການຜະລິດ

• ວົງຈອນຫ້ອງທົດລອງປຽກເພື່ອການເຮັດຊ້ຳຢ່າງໄວວາ 🧫

ຖ້າທ່ານຂ້າມສິ່ງເຫຼົ່ານັ້ນ, ທ່ານຈະໄດ້ຮັບລໍາດັບທີ່ສວຍງາມທີ່ມີລັກສະນະຄືກັບນັກຮ້ອງດີວາໃນການຜະລິດ.

ເບິ່ງໃກ້ໆ: ການວາງແຜນການສັງເຄາະ ແລະ ຄຳແນະນຳກ່ຽວກັບການສັງເຄາະແບບ retrosynthesis 🧰

AI ທີ່ສ້າງສັນຍັງລັກລອບເຂົ້າໄປໃນການດໍາເນີນງານທາງເຄມີ, ບໍ່ພຽງແຕ່ການສ້າງແນວຄວາມຄິດກ່ຽວກັບໂມເລກຸນເທົ່ານັ້ນ.

ຜູ້ວາງແຜນ Retrosynthesis ສາມາດ:

• ສະເໜີເສັ້ນທາງໄປຫາສະຖານທີ່ເປົ້າໝາຍ

• ແນະນຳວັດສະດຸເລີ່ມຕົ້ນທີ່ມີຢູ່ໃນທ້ອງຕະຫຼາດ

• ຈັດລຳດັບເສັ້ນທາງຕາມການນັບບາດກ້າວ ຫຼື ຄວາມເປັນໄປໄດ້ທີ່ຮັບຮູ້ໄດ້

• ຊ່ວຍນັກເຄມີໃຫ້ຕັດແນວຄວາມຄິດທີ່ “ໜ້າຮັກແຕ່ເປັນໄປບໍ່ໄດ້” ຢ່າງວ່ອງໄວ AiZynthFinder 2020 Coley 2018 (CASP)

ສິ່ງນີ້ສາມາດປະຫຍັດເວລາໄດ້ແທ້ໆ, ໂດຍສະເພາະເມື່ອທ່ານກຳລັງສຳຫຼວດໂຄງສ້າງຫຼາຍໆຢ່າງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມະນຸດມີຄວາມສຳຄັນຫຼາຍຢູ່ທີ່ນີ້ເພາະວ່າ:

• ການປ່ຽນແປງຄວາມພ້ອມຂອງສານປະຕິກິລິຍາ

• ຄວາມກັງວົນກ່ຽວກັບຄວາມປອດໄພ ແລະ ຂະໜາດແມ່ນເປັນເລື່ອງຈິງ

• ບາງຂັ້ນຕອນເບິ່ງຄືວ່າດີຢູ່ໃນເຈ້ຍແຕ່ລົ້ມເຫຼວຊ້ຳໆ

ຄຳປຽບທຽບທີ່ບໍ່ສົມບູນແບບ, ແຕ່ຂ້ອຍຈະໃຊ້ມັນຢູ່ດີ: ການສັງເຄາະແບບ retrosynthesis AI ແມ່ນຄືກັບ GPS ທີ່ສ່ວນໃຫຍ່ຖືກຕ້ອງ, ຍົກເວັ້ນບາງຄັ້ງມັນຈະນຳທາງເຈົ້າຜ່ານທະເລສາບ ແລະ ຢືນຢັນວ່າມັນເປັນທາງລັດ. 🚗🌊 Coley 2017 (ການສັງເຄາະແບບ retrosynthesis ດ້ວຍຄອມພິວເຕີ)

ຂໍ້ມູນ, ແບບຈຳລອງຫຼາຍຮູບແບບ, ແລະ ຄວາມເປັນຈິງທີ່ຊຸດໂຊມຂອງຫ້ອງທົດລອງ 🧾🧪

AI ທີ່ສ້າງສັນມັກຂໍ້ມູນ. ຫ້ອງທົດລອງຜະລິດຂໍ້ມູນ. ໃນເຈ້ຍ, ນັ້ນຟັງແລ້ວງ່າຍດາຍ.

ຮາ. ບໍ່.

ຂໍ້ມູນຫ້ອງທົດລອງຕົວຈິງແມ່ນ:

• ບໍ່ຄົບຖ້ວນ

• ມີສຽງດັງ

• ເຕັມໄປດ້ວຍຜົນກະທົບແບບກຸ່ມ Leek et al. 2010 (ຜົນກະທົບແບບກຸ່ມ) ທຳມະຊາດ 2024 (ຜົນກະທົບແບບກຸ່ມໃນການຖ່າຍພາບຈຸລັງ)

• ກະແຈກກະຈາຍໄປທົ່ວທຸກຮູບແບບ

• ໄດ້ຮັບພອນດ້ວຍສົນທິສັນຍາການຕັ້ງຊື່ "ສ້າງສັນ"

ລະບົບການຜະລິດຫຼາຍຮູບແບບສາມາດລວມກັນໄດ້:

• ຜົນການທົດສອບ

• ໂຄງສ້າງທາງເຄມີ

• ຮູບພາບ (ກ້ອງຈຸລະທັດ, ເນື້ອເຍື່ອວິທະຍາ)

• ໂອມິກສ໌ (ການຖອດຂໍ້ຄວາມ, ໂປຣຕີໂອມິກສ໌)

• ຂໍ້ຄວາມ (ໂປໂຕຄອນ, ELNs, ບົດລາຍງານ) npj ການແພດດີຈີຕອນ 2025 (ຫຼາຍຮູບແບບໃນຊີວະເຕັກໂນໂລຊີ) ການວິເຄາະຮູບພາບທາງການແພດ 2025 (AI ຫຼາຍຮູບແບບໃນການແພດ)

ເມື່ອມັນເຮັດວຽກ, ມັນກໍ່ໜ້າຫວາດສຽວຫຼາຍ. ທ່ານສາມາດຄົ້ນພົບຮູບແບບທີ່ບໍ່ຊັດເຈນ ແລະ ສະເໜີການທົດລອງທີ່ຜູ້ຊ່ຽວຊານຄົນດຽວອາດຈະພາດ.

ເມື່ອມັນລົ້ມເຫຼວ, ມັນຈະລົ້ມເຫຼວຢ່າງງຽບໆ. ມັນບໍ່ໄດ້ປິດປະຕູ. ມັນພຽງແຕ່ຊຸກຍູ້ທ່ານໄປສູ່ການສະຫຼຸບທີ່ຜິດພາດຢ່າງໝັ້ນໃຈ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າການຄຸ້ມຄອງ, ການກວດສອບຄວາມຖືກຕ້ອງ, ແລະການທົບທວນໂດເມນບໍ່ແມ່ນທາງເລືອກ. ຄູ່ມືຂອງແພດ (ອາການຫຼອນ) npj ການແພດດິຈິຕອນ 2025 (ອາການຫຼອນ + ກອບຄວາມປອດໄພ)

ຄວາມສ່ຽງ, ຂໍ້ຈຳກັດ, ແລະພາກສ່ວນ “ຢ່າຫຼົງໄຫຼກັບຜົນງານທີ່ຄ່ອງແຄ້ວ” ⚠️

ຖ້າທ່ານຈື່ໄດ້ພຽງຢ່າງດຽວ, ຈົ່ງຈື່ໄວ້ວ່າ: AI ທີ່ສ້າງສັນແມ່ນສາມາດຊັກຊວນໄດ້. ມັນສາມາດຟັງຄືວ່າຖືກຕ້ອງໃນຂະນະທີ່ຜິດ. ຄູ່ມືຂອງແພດໝໍ (ອາການປະສາດຫຼອນ)

ຄວາມສ່ຽງຫຼັກ:

• ກົນໄກການປະສາດຫຼອນ: ຊີວະວິທະຍາທີ່ໜ້າເຊື່ອຖືທີ່ບໍ່ແມ່ນຄວາມຈິງ ຄູ່ມືຂອງແພດໝໍ (ການປະສາດຫຼອນ)

• ການຮົ່ວໄຫຼຂອງຂໍ້ມູນ: ການສ້າງບາງສິ່ງບາງຢ່າງທີ່ໃກ້ຄຽງກັບສານປະກອບທີ່ຮູ້ຈັກເກີນໄປ USENIX 2021 (ການຝຶກອົບຮົມການສະກັດຂໍ້ມູນ) Vogt 2023 (ຄວາມກັງວົນກ່ຽວກັບຄວາມແປກໃໝ່/ຄວາມເປັນເອກະລັກ)

• ການເພີ່ມປະສິດທິພາບເກີນໄປ: ການໄລ່ຕາມຄະແນນທີ່ຄາດຄະເນໄວ້ທີ່ບໍ່ໄດ້ແປໃນຫຼອດທົດລອງ Nature 2023 (ການທົບທວນການຄົ້ນພົບລີກັນ)

• ອະຄະຕິ: ຂໍ້ມູນການຝຶກອົບຮົມທີ່ບິດເບືອນໄປສູ່ chemotypes ຫຼື ເປົ້າໝາຍທີ່ແນ່ນອນ Vogt 2023 (ການປະເມີນຮູບແບບ + ອະຄະຕິ/ຄວາມແປກໃໝ່)

• ຄວາມແປກໃໝ່ທີ່ບໍ່ຖືກຕ້ອງ: ໂມເລກຸນ "ໃໝ່" ທີ່ຕົວຈິງແລ້ວແມ່ນຕົວແປທີ່ບໍ່ສຳຄັນ Vogt 2023

• ຊ່ອງຫວ່າງການອະທິບາຍ: ຍາກທີ່ຈະໃຫ້ເຫດຜົນໃນການຕັດສິນໃຈຕໍ່ຜູ້ມີສ່ວນຮ່ວມ ຫຼັກການການຢັ້ງຢືນ OECD QSAR

• ຄວາມກັງວົນກ່ຽວກັບຄວາມປອດໄພ ແລະ IP: ລາຍລະອຽດໂປຣແກຣມທີ່ລະອຽດອ່ອນຢູ່ໃນກະທູ້ 😬 USENIX 2021 (ການສະກັດຂໍ້ມູນການຝຶກອົບຮົມ)

ການຫຼຸດຜ່ອນທີ່ຊ່ວຍໃນການປະຕິບັດ:

• ເຮັດໃຫ້ມະນຸດຢູ່ໃນວົງຈອນການຕັດສິນໃຈ

• ການແຈ້ງເຕືອນ ແລະ ຜົນຜະລິດຂອງບັນທຶກສຳລັບການຕິດຕາມ

• ກວດສອບຄວາມຖືກຕ້ອງດ້ວຍວິທີການ orthogonal (ການວິເຄາະ, ຮູບແບບທາງເລືອກ)

• ບັງຄັບໃຊ້ຂໍ້ຈຳກັດ ແລະ ຕົວກອງໂດຍອັດຕະໂນມັດ

• ປະຕິບັດຕໍ່ຜົນຜະລິດເປັນສົມມຸດຕິຖານ, ບໍ່ແມ່ນເມັດຄວາມຈິງ ຄຳແນະນຳຂອງ OECD QSAR

ປັນຍາປະດິດທີ່ສ້າງສັນແມ່ນເຄື່ອງມືໄຟຟ້າ. ເຄື່ອງມືໄຟຟ້າບໍ່ໄດ້ເຮັດໃຫ້ທ່ານເປັນຊ່າງໄມ້... ພວກມັນພຽງແຕ່ເຮັດຜິດພາດໄວຂຶ້ນຖ້າທ່ານບໍ່ຮູ້ວ່າທ່ານກຳລັງເຮັດຫຍັງ.

ວິທີທີ່ທີມງານຮັບເອົາ AI ທີ່ສ້າງສັນໂດຍບໍ່ມີຄວາມວຸ້ນວາຍ 🧩🛠️

ທີມງານມັກຈະຕ້ອງການໃຊ້ສິ່ງນີ້ໂດຍບໍ່ຕ້ອງປ່ຽນອົງກອນໃຫ້ກາຍເປັນງານວາງສະແດງວິທະຍາສາດ. ເສັ້ນທາງການຮັບຮອງເອົາຕົວຈິງມີລັກສະນະດັ່ງນີ້:

• ເລີ່ມຕົ້ນດ້ວຍຈຸດຄໍຂວດອັນໜຶ່ງ (ການຂະຫຍາຍ hit, ການສ້າງແບບອະນາລັອກ, ການຈັດລຽງວັນນະຄະດີ) Nature 2023 (ການທົບທວນການຄົ້ນພົບ ligand)

• ສ້າງວົງຈອນການປະເມີນຜົນທີ່ແໜ້ນໜາ (ຕົວກອງ + ການເຊື່ອມຕໍ່ + ການກວດສອບຄຸນສົມບັດ + ການທົບທວນເຄມີ) REINVENT 4 AiZynthFinder 2020

• ວັດແທກຜົນໄດ້ຮັບ (ເວລາທີ່ປະຢັດໄດ້, ອັດຕາການເກີດ, ການຫຼຸດຜ່ອນການຖອນອອກ) Waring 2015 (ການຖອນອອກ)

• ປະສົມປະສານກັບເຄື່ອງມືທີ່ມີຢູ່ແລ້ວ (ELN, ການລົງທະບຽນແບບປະສົມ, ຖານຂໍ້ມູນການທົດສອບ) ຊັບພະຍາກອນ Edinburgh ELN

• ສ້າງກົດລະບຽບການນຳໃຊ້ (ສິ່ງທີ່ສາມາດກະຕຸ້ນໄດ້, ສິ່ງທີ່ຍັງອອບໄລນ໌ຢູ່, ຂັ້ນຕອນການທົບທວນຄືນ) USENIX 2021 (ຄວາມສ່ຽງດ້ານການສະກັດຂໍ້ມູນ)

• ຝຶກອົບຮົມຄົນຢ່າງລະມັດລະວັງ (ຢ່າງຈິງຈັງ, ຄວາມຜິດພາດສ່ວນໃຫຍ່ມາຈາກການໃຊ້ໃນທາງທີ່ຜິດ, ບໍ່ແມ່ນຕົວແບບ) ຄູ່ມືຂອງແພດໝໍ (ອາການປະສາດຫຼອນ)

ນອກຈາກນີ້, ຢ່າປະເມີນຄ່າວັດທະນະທຳຕໍ່າເກີນໄປ. ຖ້ານັກເຄມີຮູ້ສຶກວ່າ AI ກຳລັງຖືກບັງຄັບໃຫ້ເຮັດ, ພວກເຂົາຈະບໍ່ສົນໃຈມັນ. ຖ້າມັນຊ່ວຍປະຢັດເວລາຂອງພວກເຂົາ ແລະ ເຄົາລົບຄວາມຊ່ຽວຊານຂອງພວກເຂົາ, ພວກເຂົາຈະຮັບເອົາມັນໄວ. ມະນຸດກໍ່ຕະຫຼົກແບບນັ້ນ 🙂.

ບົດບາດຂອງ AI ທີ່ສ້າງສັນໃນການຄົ້ນພົບຢາເສບຕິດແມ່ນຫຍັງເມື່ອທ່ານຊູມອອກ? 🔭

ເມື່ອຊູມອອກແລ້ວ, ບົດບາດບໍ່ແມ່ນ "ທົດແທນນັກວິທະຍາສາດ." ມັນແມ່ນ "ຂະຫຍາຍແບນວິດທາງວິທະຍາສາດ." Nature 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ມັນຊ່ວຍທີມງານ:

• ສຳຫຼວດສົມມຸດຕິຖານເພີ່ມເຕີມຕໍ່ອາທິດ

• ສະເໜີໂຄງສ້າງຜູ້ສະໝັກເພີ່ມເຕີມຕໍ່ຮອບວຽນ

• ຈັດລຳດັບຄວາມສຳຄັນຂອງການທົດລອງຢ່າງສະຫຼາດກວ່າ

• ບີບອັດວົງຈອນຊ້ຳໆລະຫວ່າງການອອກແບບ ແລະ ການທົດສອບ

• ແບ່ງປັນຄວາມຮູ້ໃນທົ່ວ silos Patterns 2025 (LLMs ໃນການຄົ້ນພົບຢາ)

ແລະບາງທີສ່ວນທີ່ບໍ່ຄ່ອຍໄດ້ຮັບຄວາມນິຍົມຫຼາຍທີ່ສຸດ: ມັນຊ່ວຍໃຫ້ທ່ານ ບໍ່ເສຍ ຄວາມຄິດສ້າງສັນຂອງມະນຸດທີ່ມີລາຄາແພງໄປກັບວຽກງານທີ່ຊ້ຳໆ. ຜູ້ຄົນຄວນຄິດກ່ຽວກັບກົນໄກ, ຍຸດທະສາດ, ແລະ ການຕີຄວາມໝາຍ - ບໍ່ແມ່ນການໃຊ້ເວລາຫຼາຍມື້ໃນການສ້າງລາຍຊື່ຕົວແປດ້ວຍມື. ທຳມະຊາດ 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ສະນັ້ນແມ່ນແລ້ວ, ບົດບາດຂອງ AI ທີ່ສ້າງສັນໃນການຄົ້ນພົບຢາແມ່ນຕົວເລັ່ງ, ຕົວສ້າງ, ຕົວກອງ, ແລະບາງຄັ້ງກໍ່ເປັນຕົວສ້າງບັນຫາ. ແຕ່ມັນມີຄຸນຄ່າຫຼາຍ.

ສະຫຼຸບສະຫຼຸບ 🧾✅

ປັນຍາປະດິດ AI ກຳລັງກາຍເປັນຄວາມສາມາດຫຼັກໃນການຄົ້ນພົບຢາທີ່ທັນສະໄໝ ເພາະມັນສາມາດສ້າງໂມເລກຸນ, ສົມມຸດຕິຖານ, ລຳດັບ ແລະ ເສັ້ນທາງໄດ້ໄວກວ່າມະນຸດ - ແລະ ມັນສາມາດຊ່ວຍໃຫ້ທີມງານເລືອກການທົດລອງທີ່ດີກວ່າ. ຂອບເຂດໃນການຄົ້ນພົບຢາປີ 2024 ການທົບທວນຄືນ Nature 2023 (ການທົບທວນຄືນການຄົ້ນພົບລີແກນ)

ຫົວຂໍ້ສະຫຼຸບ:

• ມັນດີທີ່ສຸດໃນ ການຄົ້ນພົບແຕ່ຫົວທີ ແລະ ການເພີ່ມປະສິດທິພາບຂອງ ລູກຄ້າທີ່ມີທ່າແຮງ ⚙️ ປະດິດສ້າງໃໝ່ 4

• ມັນຮອງຮັບ ໂມເລກຸນຂະໜາດນ້ອຍ ແລະ ຊີວະວິທະຍາ GENTRL (Nature Biotech 2019) ProteinMPNN (ວິທະຍາສາດ 2022)

• ມັນຊ່ວຍເພີ່ມຜົນຜະລິດໂດຍການຂະຫຍາຍຊ່ອງທາງແນວຄວາມຄິດ Nature 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

• ມັນຕ້ອງການ ຂໍ້ຈຳກັດ, ການຢັ້ງຢືນ, ແລະມະນຸດ ເພື່ອຫຼີກລ່ຽງຄວາມບໍ່ໝັ້ນໃຈ ຫຼັກການ OECD QSAR ຄູ່ມືຂອງແພດ (ອາການປະສາດຫຼອນ)

• ຜົນສຳເລັດທີ່ໃຫຍ່ທີ່ສຸດແມ່ນມາຈາກ ການເຊື່ອມໂຍງຂັ້ນຕອນການເຮັດວຽກ, ບໍ່ແມ່ນການຕະຫຼາດ Nature 2023 (ການທົບທວນການຄົ້ນພົບລີແກນ)

ຖ້າທ່ານປະຕິບັດຕໍ່ມັນຄືກັບຜູ້ຮ່ວມມື - ບໍ່ແມ່ນຜູ້ທຳນາຍ - ມັນສາມາດເຄື່ອນຍ້າຍໂປຣແກຣມຕ່າງໆໄປຂ້າງໜ້າໄດ້ຢ່າງແທ້ຈິງ. ແລະ ຖ້າທ່ານປະຕິບັດຕໍ່ມັນຄືກັບຜູ້ທຳນາຍ... ດີ, ທ່ານອາດຈະຕິດຕາມ GPS ນັ້ນລົງໄປໃນທະເລສາບອີກຄັ້ງ. 

ຕົວຢ່າງໃນໂລກຕົວຈິງ: ການສ້າງຂະບວນການສ້າງໂມເລກຸນທີ່ມີຂໍ້ຈຳກັດກ່ອນ 🧪

ສະຖານະການ

ທີມງານເຕັກໂນໂລຊີຊີວະພາບຂະໜາດນ້ອຍທີ່ສົມມຸດຂຶ້ນແຕ່ເປັນຈິງກຳລັງເຮັດວຽກກ່ຽວກັບເປົ້າໝາຍພະຍາດອັກເສບ. ພວກເຂົາມີ 42 ຜົນໄດ້ຮັບທີ່ອ່ອນແອທີ່ໄດ້ຮັບການຢືນຢັນຈາກການກວດ, ແຕ່ສ່ວນໃຫຍ່ແມ່ນມີການລະລາຍທີ່ບໍ່ດີ, ແລະບາງອັນຢູ່ໃກ້ກັບພື້ນທີ່ສິດທິບັດຂອງຄູ່ແຂ່ງເກີນໄປ.

ແທນທີ່ຈະຂໍໃຫ້ຮູບແບບການສ້າງແບບຈຳລອງ "ຊອກຫາໂມເລກຸນທີ່ດີກວ່າ" - ເຊິ່ງໂດຍພື້ນຖານແລ້ວເປັນການເຊື້ອເຊີນໃຫ້ໄດ້ຮັບເລື່ອງໄຮ້ສາລະທີ່ສະຫງ່າງາມ - ທີມງານສ້າງຂະບວນການເຮັດວຽກທີ່ແໜ້ນໜາສຳລັບການຂະຫຍາຍ Hit.

ເປົ້າໝາຍແມ່ນງ່າຍດາຍ: ສ້າງຊຸດຂອງສານຄ້າຍຄືກັນທີ່ກວ້າງຂວາງ, ກັ່ນຕອງພວກມັນຢ່າງໜັກແໜ້ນ, ແລະສົ່ງພຽງແຕ່ຜູ້ສະໝັກທີ່ມີການປ້ອງກັນທີ່ດີທີ່ສຸດໄປທົບທວນເຄມີສາດທາງການແພດ.

ສິ່ງທີ່ຜູ້ຊ່ວຍຕ້ອງການ

ທີມງານໃຫ້ລະບົບ:

ໂປຣໄຟລ໌ເປົ້າໝາຍ ແລະ ຂໍ້ມູນລີກັນທີ່ຮູ້ຈັກ

ໂຄງສ້າງການໂຈມຕີທີ່ຢືນຢັນແລ້ວ 42 ແຫ່ງ

ຂໍ້ຈຳກັດຄຸນສົມບັດສຳລັບນ້ຳໜັກໂມເລກຸນ, logP, TPSA, ຄວາມລະລາຍ, ແລະ ການຄາດຄະເນການເກັບກູ້

ໂຄງສ້າງທີ່ຖືກບລັອກ ແລະ ຂອບເຂດຄວາມຄ້າຍຄືກັນສຳລັບການຫຼີກລ່ຽງ IP

PAINS ແລະຕົວກອງກຸ່ມທີ່ມີປະຕິກິລິຍາ Baell & Holloway 2010

ການຄາດເດົາຂອງ ADMET ກວດສອບ ADMETlab 2.0

ການກວດສອບຄວາມເປັນໄປໄດ້ຂອງການສັງເຄາະແບບ retrosynthesis AiZynthFinder 2020

ກົດລະບຽບການທົບທວນຄືນຂອງມະນຸດສຳລັບການຄັດເລືອກສຸດທ້າຍ

ສິ່ງສຳຄັນ: ຮູບແບບບໍ່ໄດ້ຮັບອະນຸຍາດໃຫ້ປັບປຸງປະສິດທິພາບດ້ວຍຕົວມັນເອງ. ມັນຕ້ອງດຸ່ນດ່ຽງປະສິດທິພາບ, ຄວາມແປກໃໝ່, ຄວາມສາມາດໃນການພັດທະນາ, ແລະ ຄວາມສາມາດໃນການສັງເຄາະ.

ຕົວຢ່າງຄຳແນະນຳ

ສ້າງແນວຄວາມຄິດແບບອະນາລັອກ 150 ຢ່າງໂດຍອີງໃສ່ໂຄງສ້າງການຕີທີ່ຢືນຢັນແລ້ວເຫຼົ່ານີ້. ຮັກສານ້ຳໜັກໂມເລກຸນລະຫວ່າງ 300 ແລະ 480, logP ທີ່ຄາດຄະເນໄວ້ລະຫວ່າງ 1.5 ແລະ 4.0, TPSA ຕ່ຳກວ່າ 110, ແລະ ຫຼີກລ່ຽງ scaffolds ທີ່ຖືກບລັອກທີ່ລະບຸໄວ້ໃນໄຟລ໌ IP. ຈັດລຳດັບຄວາມສຳຄັນຂອງໂຄງສ້າງທີ່ບໍ່ມີການແຈ້ງເຕືອນ PAINS, ບໍ່ມີກຸ່ມປະຕິກິລິຍາທີ່ຊັດເຈນ, ແລະ ເສັ້ນທາງການສັງເຄາະທີ່ເປັນໄປໄດ້ຫ້າຂັ້ນຕອນ ຫຼື ໜ້ອຍກວ່າ. ສຳລັບແຕ່ລະໂມເລກຸນ, ໃຫ້ອະທິບາຍການດັດແປງຫຼັກ, ການປັບປຸງຄຸນສົມບັດທີ່ຕັ້ງໃຈໄວ້, ຄວາມສ່ຽງທີ່ສຳຄັນ, ແລະ ວ່າສານປະກອບຄວນຖືກປະຕິເສດ, ທົບທວນ, ຫຼື ຈັດລຳດັບຄວາມສຳຄັນຫຼືບໍ່.

ວິທີການທົດສອບມັນ

ທີມງານບໍ່ໄວ້ວາງໃຈຜົນຜະລິດທຳອິດ. ພວກເຂົາດຳເນີນວົງຈອນການປະເມີນຜົນຂະໜາດນ້ອຍ:

ກວດສອບວ່າໂມເລກຸນທີ່ສ້າງຂຶ້ນນັ້ນປະຕິບັດຕາມຂໍ້ຈຳກັດດ້ານຄຸນສົມບັດຫຼືບໍ່

ກຳຈັດໂຄງສ້າງທີ່ໃກ້ຄຽງກັບສານປະກອບທີ່ຮູ້ຈັກ ແລະ ໂຄງສ້າງທີ່ໃກ້ຄຽງກັບສານປະກອບທີ່ຮູ້ຈັກເກີນໄປ

ດໍາເນີນການ PAINS, ກຸ່ມປະຕິກິລິຍາ, ແລະຕົວກອງເຄມີຢາພື້ນຖານ

ດໍາເນີນການຮູບແບບຄຸນສົມບັດທີສອງເພື່ອປຽບທຽບການຄາດຄະເນ ADMET

ຂໍໃຫ້ນັກເຄມີສອງຄົນໃຫ້ຄະແນນຜູ້ສະໝັກ 30 ອັນດັບທຳອິດດ້ວຍຕົນເອງ

ສົ່ງສະເພາະລາຍຊື່ຜູ້ສະໝັກທີ່ມີຄະແນນສູງສຸດເຂົ້າຮ່ວມການສົນທະນາສັງເຄາະເທົ່ານັ້ນ

ຄຳຖາມທົດສອບທີ່ມີຄຸນຄ່າຄື: “ພວກເຮົາຍັງຈະພິຈາລະນາໂມເລກຸນນີ້ຢູ່ບໍ ຖ້າ AI ບໍ່ໄດ້ແນະນຳມັນ?”

ເມື່ອຄຳຕອບແມ່ນບໍ່, ທີມງານຈະຖາມວ່າເປັນຫຍັງ. ບາງຄັ້ງມັນເປີດເຜີຍແນວຄວາມຄິດໃໝ່ທີ່ດີ. ບາງຄັ້ງມັນເປີດເຜີຍຄວາມຄິດທີ່ມຸ່ງໄປສູ່ແບບຢ່າງ.

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບເປັນພຽງຕົວຢ່າງເທົ່ານັ້ນ - ບໍ່ແມ່ນການສຶກສາກໍລະນີຂອງບໍລິສັດຕົວຈິງ.

ອີງຕາມເວລາສາມໜ້າວຽກຂະຫຍາຍຕົວຢ່າງ, ຂະບວນການເຮັດວຽກດ້ວຍຕົນເອງໃຊ້ເວລາປະມານ 5 ຊົ່ວໂມງເພື່ອສ້າງ ແລະ ຄັດເລືອກແນວຄວາມຄິດແບບອານາລັອກ 60 ຢ່າງ. ຂະບວນການເຮັດວຽກ GenAI ທີ່ເນັ້ນຂໍ້ຈຳກັດກ່ອນໄດ້ສ້າງຜູ້ສະໝັກເບື້ອງຕົ້ນ 150 ຄົນໃນເວລາປະມານ 55 ນາທີ.

ຫຼັງຈາກການກັ່ນຕອງ, ມີພຽງ 27 ຄົນເທົ່ານັ້ນທີ່ລອດຊີວິດຈາກໜ້າຈໍເຕັມ. ໃນນັ້ນ, ນັກເຄມີໄດ້ໝາຍ 9 ຄົນວ່າຄຸ້ມຄ່າກັບການທົບທວນຄືນຢ່າງເລິກເຊິ່ງກວ່າ, 12 ຄົນວ່າ "ໜ້າສົນໃຈແຕ່ມີຄວາມສ່ຽງ", ແລະ 6 ຄົນວ່າຖືກປະຕິເສດໃນການທົບທວນຄືນ.

ນັ້ນໝາຍຄວາມວ່າຜົນຜະລິດທີ່ມີຄຸນຄ່າບໍ່ແມ່ນ "150 ໂມເລກຸນໃໝ່". ຜົນຜະລິດທີ່ມີຄຸນຄ່າແມ່ນຜູ້ສະໝັກທີ່ສາມາດກວດສອບໄດ້ 9 ຄົນໃນເວລາບໍ່ຮອດ 1 ຊົ່ວໂມງ, ພ້ອມດ້ວຍຮ່ອງຮອຍການກວດສອບທີ່ຊັດເຈນທີ່ສະແດງໃຫ້ເຫັນວ່າຜູ້ສະໝັກແຕ່ລະຄົນຜ່ານ ຫຼື ບໍ່ຜ່ານຂໍ້ຈຳກັດໃດ.

ທີມງານສາມາດກວດສອບສິ່ງນີ້ໄດ້ໂດຍການຕິດຕາມ:

ເວລາທີ່ໃຊ້ຕໍ່ຮອບວຽນການອອກແບບ

ຈຳນວນໂຄງສ້າງທີ່ສ້າງຂຶ້ນ

ເປີເຊັນທີ່ຖືກລຶບໂດຍຕົວກອງ

ອັດຕາການຍອມຮັບນັກເຄມີ

ຈຳນວນຜູ້ສະໝັກທີ່ຖືກເລືອກສຳລັບການສັງເຄາະ

ຕົວເລກຕໍ່ມາໄດ້ຮັບການຢືນຢັນແລ້ວວ່າມີການເຄື່ອນໄຫວຢູ່ໃນການທົດສອບ

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຮູບແບບອາດຈະເພີ່ມປະສິດທິພາບອ້ອມຮອບຕົວກອງແທນທີ່ຈະສະເໜີເຄມີສາດທີ່ດີແທ້ໆ.

ຜູ້ສະໝັກສາມາດເບິ່ງດີເລີດໃນ ADMET ທີ່ຄາດຄະເນໄວ້ ແຕ່ລົ້ມເຫຼວທັນທີໃນການທົດສອບຕົວຈິງ. ຫຼັກການການກວດສອບ OECD QSAR

ຄຳແນະນຳກ່ຽວກັບການສັງເຄາະແບບ Retrosynthesis ອາດເບິ່ງຄືວ່າເປັນໄປໄດ້ໃນຂະນະທີ່ອີງໃສ່ສານປະຕິກິລິຍາທີ່ບໍ່ສາມາດໃຊ້ໄດ້, ເງື່ອນໄຂທີ່ບໍ່ສະດວກ, ຫຼື ເຄມີສາດທີ່ບໍ່ປອດໄພ.

ຕົວກອງແບບໃໝ່ອາດຈະກຳຈັດສານປະກອບທີ່ມີຄຸນຄ່າອອກຢ່າງຮຸນແຮງເກີນໄປ, ຫຼື ປ່ອຍໃຫ້ໂມເລກຸນທີ່ຍັງໃກ້ກັບ IP ທີ່ຮູ້ຈັກເກີນໄປຜ່ານໄປ.

ຄວາມຜິດພາດທີ່ໃຫຍ່ທີ່ສຸດແມ່ນການປະຕິບັດຕໍ່ບັນຊີລາຍຊື່ທີ່ຖືກຈັດອັນດັບຄືກັບຄວາມຈິງ. ມັນເປັນພຽງບັນຊີລາຍຊື່ສົມມຸດຕິຖານທີ່ມີການຈັດລຳດັບຄວາມສຳຄັນເທົ່ານັ້ນ.

ເອົາໄປໃຊ້ຕົວຈິງ

ການນໍາໃຊ້ AI ທີ່ສ້າງສັນໄດ້ດີທີ່ສຸດໃນການຄົ້ນພົບຢາບໍ່ແມ່ນ "ກົດປຸ່ມ, ໄດ້ຮັບຢາ". ມັນເປັນໂຮງງານຜະລິດແນວຄວາມຄິດທີ່ຄວບຄຸມ: ສ້າງຢ່າງກວ້າງຂວາງ, ກັ່ນຕອງຢ່າງໂຫດຮ້າຍ, ບັນທຶກທຸກໆການຕັດສິນໃຈ, ແລະໃຫ້ນັກວິທະຍາສາດຕັດສິນໃຈສຸດທ້າຍ.

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

ບົດບາດຂອງ AI ທີ່ສ້າງສັນໃນການຄົ້ນພົບຢາແມ່ນຫຍັງ?

ປັນຍາປະດິດ (AI) ສ່ວນໃຫຍ່ແລ້ວຈະຂະຫຍາຍຊ່ອງທາງຄວາມຄິດໃນການຄົ້ນພົບໃນຕອນຕົ້ນ ແລະ ການເພີ່ມປະສິດທິພາບຂອງການນຳໂດຍການສະເໜີໂມເລກຸນ, ລຳດັບໂປຣຕີນ, ເສັ້ນທາງການສັງເຄາະ ແລະ ສົມມຸດຕິຖານທາງຊີວະວິທະຍາ. ຄຸນຄ່າແມ່ນ "ທົດແທນການທົດລອງ" ໜ້ອຍລົງ ແລະ "ເລືອກການທົດລອງທີ່ດີກວ່າ" ຫຼາຍຂຶ້ນໂດຍການສ້າງທາງເລືອກຫຼາຍຢ່າງ ແລະ ຫຼັງຈາກນັ້ນກັ່ນຕອງຢ່າງໜັກ. ມັນເຮັດວຽກໄດ້ດີທີ່ສຸດເປັນຕົວເລັ່ງພາຍໃນຂະບວນການເຮັດວຽກທີ່ມີລະບຽບວິໄນ, ບໍ່ແມ່ນເປັນຜູ້ຕັດສິນໃຈແບບໂດດດ່ຽວ.

ປັນຍາປະດິດທີ່ສ້າງສັນ (AI) ມີປະສິດທິພາບດີທີ່ສຸດໃນຂະບວນການຄົ້ນພົບຢາຢູ່ໃສ?

ມັນມັກຈະສົ່ງມອບຄຸນຄ່າຫຼາຍທີ່ສຸດບ່ອນທີ່ພື້ນທີ່ສົມມຸດຕິຖານກວ້າງຂວາງ ແລະ ການເຮັດຊ້ຳມີລາຄາແພງ, ເຊັ່ນ: ການລະບຸ hit, ການອອກແບບ de novo, ແລະ ການເພີ່ມປະສິດທິພາບຂອງ lead. ທີມງານຍັງໃຊ້ມັນສຳລັບການຄັດເລືອກ ADMET, ຄຳແນະນຳກ່ຽວກັບການສັງເຄາະຄືນໃໝ່, ແລະ ການສະໜັບສະໜູນເອກະສານ ຫຼື ສົມມຸດຕິຖານ. ຜົນປະໂຫຍດທີ່ໃຫຍ່ທີ່ສຸດມັກຈະມາຈາກການລວມເອົາການສ້າງກັບຕົວກອງ, ການໃຫ້ຄະແນນ, ແລະ ການທົບທວນຂອງມະນຸດແທນທີ່ຈະຄາດຫວັງວ່າຮູບແບບດຽວຈະ "ສະຫຼາດ"

ເຈົ້າຕັ້ງຂໍ້ຈຳກັດແນວໃດເພື່ອໃຫ້ຮູບແບບການສ້າງແບບຈຳລອງບໍ່ຜະລິດໂມເລກຸນທີ່ບໍ່ມີປະໂຫຍດ?

ວິທີການປະຕິບັດໄດ້ແມ່ນການກຳນົດຂໍ້ຈຳກັດກ່ອນການສ້າງ: ຂອບເຂດຄຸນສົມບັດ (ເຊັ່ນ: ຄວາມລະລາຍ ຫຼື ເປົ້າໝາຍ logP), ກົດລະບຽບຂອງໂຄງສ້າງພື້ນຖານ ຫຼື ໂຄງສ້າງຍ່ອຍ, ຄຸນລັກສະນະຂອງສະຖານທີ່ຜູກມັດ, ແລະ ຂໍ້ຈຳກັດຂອງສິ່ງແປກໃໝ່. ຈາກນັ້ນ, ບັງຄັບໃຊ້ຕົວກອງເຄມີສາດທາງການແພດ (ລວມທັງ PAINS/ກຸ່ມປະຕິກິລິຍາ) ແລະ ການກວດສອບຄວາມສາມາດໃນການສັງເຄາະ. ການສ້າງຂໍ້ຈຳກັດກ່ອນແມ່ນເປັນປະໂຫຍດໂດຍສະເພາະກັບການອອກແບບໂມເລກຸນແບບການແຜ່ກະຈາຍ ແລະ ຂອບການເຮັດວຽກເຊັ່ນ REINVENT 4, ບ່ອນທີ່ເປົ້າໝາຍຫຼາຍຈຸດປະສົງສາມາດຖືກເຂົ້າລະຫັດໄດ້.

ທີມງານຄວນກວດສອບຄວາມຖືກຕ້ອງຂອງຜົນຜະລິດຂອງ GenAI ແນວໃດເພື່ອຫຼີກລ່ຽງການຫຼົງໄຫຼ ແລະ ຄວາມໝັ້ນໃຈເກີນໄປ?

ໃຫ້ປະຕິບັດຕໍ່ທຸກໆຜົນຜະລິດຄືກັບສົມມຸດຕິຖານ, ບໍ່ແມ່ນບົດສະຫຼຸບ, ແລະ ກວດສອບຄວາມຖືກຕ້ອງດ້ວຍການວິເຄາະ ແລະ ຮູບແບບ orthogonal. ການສ້າງຄູ່ກັບການກັ່ນຕອງທີ່ຮຸກຮານ, ການເຊື່ອມຕໍ່ ຫຼື ການໃຫ້ຄະແນນຕາມຄວາມເໝາະສົມ, ແລະ ການກວດສອບໂດເມນຄວາມນຳໃຊ້ສຳລັບຕົວຄາດຄະເນແບບ QSAR. ເຮັດໃຫ້ຄວາມບໍ່ແນ່ນອນເຫັນໄດ້ເມື່ອເປັນໄປໄດ້, ເພາະວ່າຮູບແບບສາມາດຜິດພາດໄດ້ຢ່າງໝັ້ນໃຈກ່ຽວກັບເຄມີສາດນອກການແຈກຢາຍ ຫຼື ການຮຽກຮ້ອງທາງຊີວະວິທະຍາທີ່ບໍ່ໝັ້ນຄົງ. ການທົບທວນແບບມະນຸດໃນວົງຈອນຍັງຄົງເປັນຄຸນສົມບັດຄວາມປອດໄພຫຼັກ.

ທ່ານສາມາດປ້ອງກັນການຮົ່ວໄຫຼຂອງຂໍ້ມູນ, ຄວາມສ່ຽງດ້ານ IP, ແລະ ຜົນຜະລິດທີ່ "ບັນທຶກໄວ້" ໄດ້ແນວໃດ?

ໃຊ້ການຄຸ້ມຄອງ ແລະ ການຄວບຄຸມການເຂົ້າເຖິງ ເພື່ອບໍ່ໃຫ້ລາຍລະອຽດໂປຣແກຣມທີ່ລະອຽດອ່ອນຖືກວາງໄວ້ໃນການແຈ້ງເຕືອນແບບບໍ່ເປັນທາງການ, ແລະ ບັນທຶກການແຈ້ງເຕືອນ/ຜົນຜະລິດເພື່ອການກວດສອບ. ບັງຄັບໃຊ້ການກວດສອບຄວາມແປກໃໝ່ ແລະ ຄວາມຄ້າຍຄືກັນ ເພື່ອໃຫ້ຜູ້ສະໝັກທີ່ສ້າງຂຶ້ນບໍ່ຢູ່ໃກ້ສານປະກອບທີ່ຮູ້ຈັກ ຫຼື ພາກພື້ນທີ່ໄດ້ຮັບການປົກປ້ອງຫຼາຍເກີນໄປ. ຮັກສາກົດລະບຽບທີ່ຊັດເຈນກ່ຽວກັບຂໍ້ມູນທີ່ອະນຸຍາດໃຫ້ໃຊ້ໃນລະບົບພາຍນອກ, ແລະ ມັກສະພາບແວດລ້ອມທີ່ຄວບຄຸມສຳລັບວຽກງານທີ່ມີຄວາມອ່ອນໄຫວສູງ. ການທົບທວນຂອງມະນຸດຊ່ວຍຈັບຄຳແນະນຳທີ່ "ຄຸ້ນເຄີຍເກີນໄປ" ໄດ້ໄວ.

ປັນຍາປະດິດທີ່ສ້າງສັນຖືກນໍາໃຊ້ສໍາລັບການເພີ່ມປະສິດທິພາບຂອງລູກຄ້າທີ່ມີທ່າແຮງ ແລະ ການປັບແຕ່ງຫຼາຍພາລາມິເຕີແນວໃດ?

ໃນການເພີ່ມປະສິດທິພາບຂອງຜູ້ນຳ, AI ທີ່ສ້າງສັນແມ່ນມີຄຸນຄ່າເພາະມັນສາມາດສະເໜີວິທີແກ້ໄຂການແລກປ່ຽນຫຼາຍຢ່າງແທນທີ່ຈະໄລ່ຕາມສານປະກອບ "ສົມບູນແບບ" ດຽວ. ຂະບວນການເຮັດວຽກທົ່ວໄປປະກອບມີການແນະນຳແບບອະນາລັອກ, ການສະແກນທົດແທນທີ່ນຳພາ, ແລະ ການກະໂດດແບບ scaffolding ເມື່ອຄວາມແຮງ, ສານພິດ, ຫຼື ຂໍ້ຈຳກັດ IP ຂັດຂວາງຄວາມຄືບໜ້າ. ຕົວຄາດຄະເນຄຸນສົມບັດອາດຈະບໍ່ແຂງແຮງ, ດັ່ງນັ້ນທີມງານມັກຈະຈັດອັນດັບຜູ້ສະໝັກທີ່ມີຫຼາຍຮູບແບບ ແລະ ຫຼັງຈາກນັ້ນຢືນຢັນຕົວເລືອກທີ່ດີທີ່ສຸດໂດຍການທົດລອງ.

ປັນຍາປະດິດ (AI) ສາມາດຊ່ວຍດ້ານຊີວະວິທະຍາ ແລະ ວິສະວະກຳໂປຣຕີນໄດ້ບໍ?

ແມ່ນແລ້ວ - ທີມງານໃຊ້ມັນສຳລັບການສ້າງລຳດັບພູມຕ້ານທານ, ແນວຄວາມຄິດກ່ຽວກັບການເຕີບໂຕຂອງຄວາມຜູກພັນ, ການປັບປຸງຄວາມໝັ້ນຄົງ, ແລະ ການສຳຫຼວດເອນໄຊມ໌ ຫຼື ເພບໄທດ໌. ການສ້າງໂປຣຕີນ/ລຳດັບອາດເບິ່ງຄືວ່າເປັນໄປໄດ້ໂດຍບໍ່ຕ້ອງພັດທະນາໄດ້, ສະນັ້ນມັນຈຶ່ງສຳຄັນທີ່ຈະນຳໃຊ້ຕົວກອງຄວາມສາມາດໃນການພັດທະນາ, ການສ້າງພູມຕ້ານທານ, ແລະ ຄວາມສາມາດໃນການຜະລິດ. ເຄື່ອງມືໂຄງສ້າງເຊັ່ນ AlphaFold ສາມາດສະໜັບສະໜູນການຫາເຫດຜົນ, ແຕ່ “ໂຄງສ້າງທີ່ເປັນໄປໄດ້” ຍັງບໍ່ທັນເປັນຫຼັກຖານການສະແດງອອກ, ໜ້າທີ່, ຫຼື ຄວາມປອດໄພ. ວົງຈອນຫ້ອງທົດລອງປຽກຍັງຄົງເປັນສິ່ງຈຳເປັນ.

AI ທີ່ສ້າງສັນສະໜັບສະໜູນການວາງແຜນການສັງເຄາະ ແລະ ການສັງເຄາະຄືນໃໝ່ແນວໃດ?

ຜູ້ວາງແຜນ Retrosynthesis ສາມາດແນະນຳເສັ້ນທາງ, ວັດສະດຸເລີ່ມຕົ້ນ, ແລະ ການຈັດອັນດັບເສັ້ນທາງເພື່ອເລັ່ງການຄິດ ແລະ ປະຕິເສດເສັ້ນທາງທີ່ເປັນໄປບໍ່ໄດ້ຢ່າງວ່ອງໄວ. ເຄື່ອງມື ແລະ ວິທີການຕ່າງໆເຊັ່ນ: ການວາງແຜນແບບ AiZynthFinder ແມ່ນມີປະສິດທິພາບສູງສຸດເມື່ອຈັບຄູ່ກັບການກວດສອບຄວາມເປັນໄປໄດ້ໃນໂລກຕົວຈິງຈາກນັກເຄມີ. ຄວາມພ້ອມ, ຄວາມປອດໄພ, ຂໍ້ຈຳກັດໃນການຂະຫຍາຍ, ແລະ “ປະຕິກິລິຍາເຈ້ຍ” ທີ່ລົ້ມເຫຼວໃນການປະຕິບັດຍັງຕ້ອງການການຕັດສິນຂອງມະນຸດ. ເມື່ອໃຊ້ວິທີນີ້, ມັນຈະຊ່ວຍປະຢັດເວລາໂດຍບໍ່ຕ້ອງແກ້ຕົວວ່າເຄມີສາດໄດ້ຮັບການແກ້ໄຂແລ້ວ.

ເອກະສານອ້າງອີງ

1. ທຳມະຊາດ - ການທົບທວນການຄົ້ນພົບລີກັນ (2023) - nature.com

2. ເຕັກໂນໂລຊີຊີວະພາບທຳມະຊາດ - GENTRL (2019) - nature.com

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

4. ທຳມະຊາດ - ການແຜ່ກະຈາຍ RF (2023) - nature.com

5. ເຕັກໂນໂລຊີຊີວະພາບທຳມະຊາດ - ເຄື່ອງສ້າງໂປຣຕີນ (2024) - nature.com

6. ການສື່ສານທຳມະຊາດ - ຜົນກະທົບແບບກຸ່ມໃນການຖ່າຍພາບຈຸລັງ (2024) - nature.com

7. ການແພດດິຈິຕອນ npj - ປະສາດຫຼອນ + ຂອບຄວາມປອດໄພ (2025) - nature.com

8. ການແພດດິຈິຕອນ npj - ຫຼາຍຮູບແບບໃນເຕັກໂນໂລຊີຊີວະພາບ (2025) - nature.com

9. ວິທະຍາສາດ - ໂປຣຕີນ MPNN (2022) - science.org

10. ຮູບແບບຈຸລັງ - ປະລິນຍາຕີທາງດ້ານກົດໝາຍ (LLM) ໃນການຄົ້ນພົບຢາ (2025) - cell.com

11. ScienceDirect (Elsevier) - ຮູບແບບການຜະລິດໃນການອອກແບບຢາ de novo (2024) - sciencedirect.com

12. ScienceDirect (Elsevier) - Vogt (2023): ຄວາມກັງວົນກ່ຽວກັບຄວາມແປກໃໝ່/ຄວາມເປັນເອກະລັກ - sciencedirect.com

13. ການວິເຄາະຮູບພາບທາງການແພດ (ScienceDirect) - AI ຫຼາຍຮູບແບບໃນການແພດ (2025) - sciencedirect.com

14. PubMed Central - ຄູ່ມືຂອງແພດໝໍ (ຄວາມສ່ຽງຕໍ່ການເກີດອາການປະສາດຫຼອນ) - nih.gov

15. ບັນຊີການຄົ້ນຄວ້າທາງເຄມີ (ສິ່ງພິມ ACS) - ພື້ນທີ່ທາງເຄມີ (2015) - acs.org

16. PubMed Central - Irwin & Shoichet (2009): ຂະໜາດພື້ນທີ່ເຄມີ - nih.gov

17. ຂອບເຂດໃນການຄົ້ນພົບຢາເສບຕິດ (PubMed Central) - ການທົບທວນຄືນ (2024) - nih.gov

18. ວາລະສານຂໍ້ມູນຂ່າວສານທາງເຄມີ ແລະ ການສ້າງແບບຈຳລອງ (ສິ່ງພິມ ACS) - ຮູບແບບການແຜ່ກະຈາຍໃນການອອກແບບຢາ de novo (2024) - acs.org

19. PubMed Central - REINVENT 4 (ຂອບການເຮັດວຽກແບບເປີດ) - nih.gov

20. PubMed Central - ADMETlab 2.0 (ADMET ຕົ້ນໆມີຄວາມສຳຄັນ) - nih.gov

21. OECD - ຫຼັກການສຳລັບການຢັ້ງຢືນສຳລັບຈຸດປະສົງດ້ານກົດລະບຽບຂອງຮູບແບບ (Q)SAR - oecd.org

22. OECD - ເອກະສານແນະນຳກ່ຽວກັບການຢັ້ງຢືນຮູບແບບ (Q)SAR - oecd.org

23. ບັນຊີການຄົ້ນຄວ້າທາງເຄມີ (ສິ່ງພິມຂອງ ACS) - ການວາງແຜນການສັງເຄາະດ້ວຍຄອມພິວເຕີ / CASP (Coley, 2018) - acs.org

24. ວິທະຍາສາດສູນກາງ ACS (ສິ່ງພິມ ACS) - ການສັງເຄາະດ້ວຍຄອມພິວເຕີ (Coley, 2017) - acs.org

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

26. PubMed - Lipinski: ກົດລະບຽບຂອງ 5 ສະພາບການ - nih.gov

27. ວາລະສານເຄມີສາດທາງການແພດ (ສິ່ງພິມ ACS) - Baell & Holloway (2010): PAINS - acs.org

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

29. PubMed - Rives (2021): ຮູບແບບພາສາໂປຣຕີນ - nih.gov

30. PubMed Central - Leek et al. (2010): ຜົນກະທົບຂອງກຸ່ມ - nih.gov

31. PubMed Central - ການທົບທວນການແຜ່ກະຈາຍ (2025) - nih.gov

32. FDA - E14 ແລະ S7B: ການປະເມີນຜົນທາງດ້ານຄລີນິກ ແລະ ບໍ່ແມ່ນທາງດ້ານຄລີນິກຂອງການຍືດໄລຍະເວລາ QT/QTc ແລະ ທ່າແຮງຂອງການເຕັ້ນຂອງຫົວໃຈຜິດປົກກະຕິ (Q&A) - fda.gov

33. ອົງການຢາເອີຣົບ - ພາບລວມຂອງຄຳແນະນຳ ICH E14/S7B - europa.eu

34. USENIX - Carlini et al. (2021): ການສະກັດຂໍ້ມູນການຝຶກອົບຮົມຈາກຮູບແບບພາສາ - usenix.org

35. ມະຫາວິທະຍາໄລເອດິນເບີຣາ – ການບໍລິການຄົ້ນຄວ້າດິຈິຕອລ - ຊັບພະຍາກອນປື້ມບັນທຶກຫ້ອງທົດລອງເອເລັກໂຕຣນິກ (ELN) - ed.ac.uk

36. ScienceDirect (Elsevier) - Weaver (2008): ໂດເມນ QSAR ຂອງການບັງຄັບໃຊ້ - sciencedirect.com