Apa peran AI generatif dalam penemuan obat?

Apa peran AI Generatif dalam Penemuan Obat?

Jawaban singkat: AI generatif terutama mempercepat penemuan obat tahap awal dengan menghasilkan molekul kandidat atau sekuens protein, mengusulkan rute sintesis, dan memunculkan hipotesis yang dapat diuji, sehingga tim dapat menjalankan lebih sedikit eksperimen "buta". AI generatif bekerja paling baik ketika Anda menerapkan batasan yang ketat dan memvalidasi hasilnya; jika diperlakukan seperti peramal, AI generatif dapat menyesatkan dengan penuh keyakinan.

Poin-poin penting:

Percepatan : Gunakan GenAI untuk memperluas pembangkitan ide, lalu persempit dengan penyaringan yang ketat.

Batasan : Membutuhkan rentang properti, aturan kerangka kerja, dan batasan kebaruan sebelum pembuatan.

Validasi : Perlakukan hasil keluaran sebagai hipotesis; konfirmasikan dengan pengujian dan model ortogonal.

Ketertelusuran : Catat petunjuk, hasil, dan alasan agar keputusan tetap dapat diaudit dan ditinjau.

Pencegahan penyalahgunaan : Cegah kebocoran dan rasa percaya diri yang berlebihan dengan tata kelola, kontrol akses, dan peninjauan oleh manusia.

Apa peran AI generatif dalam penemuan obat? Infografis

Artikel-artikel yang mungkin ingin Anda baca setelah ini:

🔗 Peran AI dalam perawatan kesehatan
Bagaimana AI meningkatkan diagnosis, alur kerja, perawatan pasien, dan hasil.

🔗 Akankah AI menggantikan ahli radiologi?
Menjelaskan bagaimana otomatisasi meningkatkan kualitas radiologi dan apa yang tetap menjadi peran manusia.

🔗 Akankah AI menggantikan dokter?
Tinjauan jujur ​​tentang dampak AI terhadap pekerjaan dan praktik dokter.

🔗 Alat lab AI terbaik untuk penemuan ilmiah
Alat-alat lab AI terbaik untuk mempercepat eksperimen, analisis, dan penemuan.

Peran AI generatif dalam Penemuan Obat, dalam satu tarikan napas 😮💨

AI generatif membantu tim pengembang obat menciptakan molekul kandidat, memprediksi sifat-sifatnya, menyarankan modifikasi, mengusulkan jalur sintesis, mengeksplorasi hipotesis biologis, dan memperpendek siklus iterasi - terutama pada tahap awal penemuan dan optimasi kandidat obat. Nature 2023 (ulasan penemuan ligan) Elsevier 2024 (ulasan model generatif dalam desain obat de novo)

Dan ya, ia juga dapat dengan percaya diri menghasilkan omong kosong. Itu bagian dari kesepakatannya. Seperti seorang dokter magang yang sangat antusias dengan mesin roket. Panduan klinisi (risiko halusinasi) npj Kedokteran Digital 2025 (halusinasi + kerangka kerja keselamatan)

Mengapa hal ini lebih penting daripada yang diakui orang 💥

Banyak pekerjaan penemuan adalah "penelitian." Meneliti ruang kimia, meneliti biologi, meneliti literatur, meneliti hubungan struktur-fungsi. Masalahnya adalah ruang kimia pada dasarnya... hampir tak terbatas. (Catatan Penelitian Kimia 2015 (ruang kimia) Irwin & Shoichet 2009 (skala ruang kimia))

Anda bisa menghabiskan beberapa kehidupan hanya untuk mencoba berbagai variasi yang "masuk akal".

AI generatif menggeser alur kerja dari:

  • “Mari kita uji apa yang bisa kita pikirkan”

ke:

  • “Mari kita hasilkan serangkaian opsi yang lebih besar dan lebih cerdas, lalu uji opsi terbaiknya.”

Ini bukan tentang menghilangkan eksperimen. Ini tentang memilih eksperimen yang lebih baik . 🧠 Nature 2023 (ulasan penemuan ligan)

Selain itu, dan ini jarang dibahas, sistem ini membantu tim berkomunikasi lintas disiplin . Ahli kimia, ahli biologi, ahli DMPK, ilmuwan komputasi… semua orang memiliki model mental yang berbeda. Sistem generatif yang baik dapat berfungsi sebagai papan sketsa bersama. (Ulasan Frontiers in Drug Discovery 2024)

Apa yang membuat versi AI generatif yang baik untuk penemuan obat? ✅

Tidak semua AI generatif diciptakan sama. Versi "baik" untuk bidang ini bukan tentang demonstrasi yang mencolok, melainkan tentang keandalan yang tidak menarik (ketidakmenarikkan justru merupakan suatu kebaikan di sini). Nature 2023 (ulasan penemuan ligan)

Sebuah sistem AI generatif yang baik biasanya memiliki:

Jika AI generatif Anda tidak dapat menangani batasan, pada dasarnya itu hanyalah generator hal-hal baru. Menyenangkan di pesta. Kurang menyenangkan dalam program rehabilitasi narkoba.

Di mana AI generatif berperan dalam seluruh proses penemuan obat 🧭

Berikut peta mental sederhananya. AI generatif dapat berkontribusi pada hampir setiap tahap, tetapi kinerjanya paling baik di mana iterasi mahal dan ruang hipotesis sangat besar. Nature 2023 (ulasan penemuan ligan)

Titik temu umum:

Dalam banyak program, kemenangan terbesar datang dari integrasi alur kerja , bukan dari satu model yang "jenius." Model adalah mesinnya - alur kerjanya adalah mobilnya. Nature 2023 (ulasan penemuan ligan)

Tabel Perbandingan: Pendekatan AI generatif populer yang digunakan dalam penemuan obat 📊

Sebuah tabel yang sedikit tidak sempurna, karena kehidupan nyata memang sedikit tidak sempurna.

Alat / Pendekatan Terbaik untuk (audiens) Agak mahal Mengapa ini berhasil (dan kapan tidak)
Generator molekul de novo (SMILES, grafik) Kimia medis + kimia komparatif $$-$$$ Hebat dalam mengeksplorasi analog baru dengan cepat 😎 - tetapi dapat menghasilkan senyawa yang tidak stabil dan tidak sesuai REINVENT 4 GENTRL (Nature Biotech 2019)
Generator protein/struktur Tim biologi, biologi struktural $$$ Membantu mengusulkan urutan + struktur - tetapi "terlihat masuk akal" tidak sama dengan "berhasil" AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Desain molekuler gaya difusi Tim ML tingkat lanjut $$-$$$$ Mahir dalam pengkondisian kendala dan keragaman - pengaturan bisa jadi… rumit JCIM 2024 (model difusi) PMC 2025 tinjauan difusi
Asisten prediksi properti (kombinasi QSAR + GenAI) DMPK, tim proyek $$ Baik untuk triase dan pemeringkatan - buruk jika dianggap sebagai kebenaran mutlak 😬 OECD (domain penerapan) ADMETlab 2.0
Perencana retrosintesis Kimia proses, CMC $$-$$$ Mempercepat proses ideasi rute - namun tetap membutuhkan campur tangan manusia untuk memastikan kelayakan dan keamanan. AiZynthFinder 2020 Coley 2018 (CASP)
Asisten laboratorium multimodal (teks + data pengujian) Tim translasi $$$ Berguna untuk menarik sinyal di seluruh kumpulan data - rentan terhadap kepercayaan diri berlebihan jika data tidak merata Nature 2024 (efek batch dalam pencitraan sel) npj Digital Medicine 2025 (multimodal dalam bioteknologi)
Asisten literatur dan hipotesis Pada praktiknya, semuanya $ Sangat mengurangi waktu membaca - tetapi halusinasi bisa sulit dipahami, seperti kaus kaki yang menghilang. Pola 2025 (LLM dalam penemuan obat) Panduan klinisi (halusinasi)
Model pondasi khusus buatan sendiri Perusahaan farmasi besar, perusahaan bioteknologi yang didanai dengan baik $$$$ Kontrol dan integrasi terbaik - namun juga mahal dan lambat untuk dibangun (maaf, memang benar) Ulasan Frontiers in Drug Discovery 2024

Catatan: Harga sangat bervariasi tergantung pada skala, daya komputasi, lisensi, dan apakah tim Anda menginginkan solusi "pasang dan mainkan" atau "mari kita bangun pesawat ruang angkasa"

Tinjauan lebih dekat: AI generatif untuk penemuan lagu hits dan desain baru 🧩

Ini adalah contoh kasus utama: menghasilkan molekul kandidat dari awal (atau dari kerangka kerja) yang sesuai dengan profil target. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Beginilah cara kerjanya dalam praktiknya:

  1. Tetapkan batasan

  2. Menghasilkan kandidat

  3. Saring secara agresif

  4. Pilih sejumlah kecil sampel untuk sintesis

    • Manusia masih memungut, karena manusia terkadang bisa mencium bau hal yang tidak penting

Kebenaran yang canggung: nilainya bukan hanya "molekul baru." Nilainya adalah molekul baru yang masuk akal untuk batasan program Anda . Bagian terakhir itulah yang terpenting. Nature 2023 (ulasan penemuan ligan)

Selain itu, sedikit berlebihan: jika dilakukan dengan baik, rasanya seperti Anda telah mempekerjakan tim ahli kimia junior yang tak kenal lelah, yang tidak pernah tidur dan tidak pernah mengeluh. Namun, mereka juga tidak mengerti mengapa strategi perlindungan tertentu menjadi mimpi buruk, jadi… keseimbangan 😅.

Analisis lebih mendalam: Optimalisasi prospek dengan AI generatif (penyetelan multi-parameter) 🎛️

Optimalisasi prospek adalah tempat di mana impian menjadi rumit.

Anda menginginkan:

  • meningkatkan potensi

  • selektivitas meningkat

  • stabilitas metabolisme meningkat

  • kelarutan meningkat

  • sinyal keselamatan turun

  • permeabilitas “pas”

  • DAN tetap dapat disintesis

Ini adalah optimasi multi-objektif klasik. AI generatif sangat baik dalam mengusulkan serangkaian solusi kompromi daripada berpura-pura ada satu senyawa sempurna. REINVENT 4 Elsevier 2024 (model generatif)

Cara praktis tim menggunakannya:

  • Saran analog : “Buat 30 varian yang mengurangi pembersihan tetapi tetap mempertahankan potensi”

  • Pemindaian substituen : eksplorasi terarah alih-alih enumerasi secara paksa.

  • Scaffold hopping : ketika sebuah inti mencapai batas (toksisitas, IP, atau stabilitas)

  • Saran yang bersifat penjelasan : “Gugus polar ini dapat membantu kelarutan tetapi dapat merugikan permeabilitas” (tidak selalu benar, tetapi bermanfaat)

Satu peringatan: prediktor properti bisa rapuh. Jika data pelatihan Anda tidak sesuai dengan rangkaian kimia Anda, model tersebut bisa sangat salah. Bahkan, sangat salah. Dan model tersebut tidak akan malu. Prinsip validasi QSAR OECD (domain penerapan) Weaver 2008 (domain penerapan QSAR)

Analisis lebih mendalam: ADMET, toksisitas, dan penyaringan "jangan hentikan program ini" 🧯

ADMET adalah tempat banyak kandidat diam-diam gagal. AI generatif tidak menyelesaikan masalah biologi, tetapi dapat mengurangi kesalahan yang dapat dihindari. ADMETlab 2.0 Waring 2015 (pengurangan jumlah peserta)

Peran umum:

  • Memprediksi risiko metabolisme (lokasi metabolisme, tren pembersihan)

  • menandai kemungkinan motif toksisitas (peringatan, proksi zat perantara reaktif)

  • memperkirakan rentang kelarutan dan permeabilitas

  • menyarankan modifikasi untuk mengurangi risiko hERG atau meningkatkan stabilitas 🧪 FDA (Tanya Jawab ICH E14/S7B) EMA (Gambaran Umum ICH E14/S7B)

Pola yang paling efektif cenderung seperti ini: gunakan GenAI untuk mengusulkan opsi, tetapi gunakan model dan eksperimen khusus untuk memverifikasi.

AI generatif adalah mesin penghasil ide. Validasi masih dilakukan melalui pengujian.

Tinjauan lebih dekat: AI generatif untuk biologi dan rekayasa protein 🧬✨

Penemuan obat tidak hanya tentang molekul kecil. AI generatif juga digunakan untuk:

Pembuatan protein dan sekuens dapat sangat bermanfaat karena "bahasa" sekuens sangat cocok dengan metode pembelajaran mesin (ML). Namun, perlu dicatat: bahasa tersebut cocok... sampai pada titik di mana tidak cocok lagi. Karena imunogenisitas, ekspresi, pola glikosilasi, dan kendala pengembangan dapat menjadi sangat berat. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Jadi, pengaturan terbaik meliputi:

  • filter kemampuan pengembangan

  • Penilaian risiko imunogenisitas

  • kendala kemampuan manufaktur

  • siklus laboratorium basah untuk iterasi cepat 🧫

Jika Anda melewatkan bagian-bagian itu, Anda akan mendapatkan rangkaian adegan yang menakjubkan yang bertingkah seperti seorang diva dalam proses produksi.

Tinjauan lebih dekat: Perencanaan sintesis dan saran retrosintesis 🧰

AI generatif juga mulai merambah ke operasi kimia, bukan hanya pada ide molekul.

Perencana retrosintesis dapat:

  • mengusulkan rute menuju senyawa target

  • menyarankan bahan awal yang tersedia secara komersial

  • Urutkan rute berdasarkan jumlah langkah atau kelayakan yang dirasakan

  • Membantu para ahli kimia dengan cepat menyingkirkan ide-ide "menarik tetapi tidak mungkin" AiZynthFinder 2020 Coley 2018 (CASP)

Hal ini dapat menghemat waktu secara signifikan, terutama ketika Anda sedang mengeksplorasi banyak struktur kandidat. Namun demikian, peran manusia tetap sangat penting di sini karena:

  • perubahan ketersediaan reagen

  • Kekhawatiran tentang keselamatan dan skala proyek itu nyata

  • Beberapa langkah tampak bagus di atas kertas tetapi berulang kali gagal

Metafora yang kurang sempurna, tetapi akan tetap saya gunakan: AI retrosintesis itu seperti GPS yang sebagian besar akurat, kecuali kadang-kadang mengarahkan Anda melalui danau dan bersikeras itu adalah jalan pintas. 🚗🌊 Coley 2017 (retrosintesis berbantuan komputer)

Data, model multimodal, dan realitas laboratorium yang serba tidak menentu 🧾🧪

AI generatif menyukai data. Laboratorium menghasilkan data. Di atas kertas, kedengarannya sederhana.

Ha. Tidak.

Data lab sebenarnya adalah:

Sistem generatif multimodal dapat menggabungkan:

Saat berhasil, hasilnya luar biasa. Anda dapat mengungkap pola yang tidak jelas dan mengusulkan eksperimen yang mungkin terlewatkan oleh seorang spesialis tunggal.

Ketika gagal, kegagalannya terjadi secara diam-diam. Ia tidak membanting pintu. Ia hanya mendorong Anda menuju kesimpulan yang salah dan penuh keyakinan. Itulah mengapa tata kelola, validasi, dan tinjauan domain bukanlah pilihan. Panduan klinisi (halusinasi) npj Kedokteran Digital 2025 (halusinasi + kerangka kerja keselamatan)

Risiko, keterbatasan, dan bagian "jangan tertipu oleh kelancaran berbicara" ⚠️

Jika Anda hanya mengingat satu hal, ingatlah ini: AI generatif itu persuasif. AI tersebut bisa terdengar benar meskipun sebenarnya salah. Panduan klinisi (halusinasi)

Risiko utama:

Langkah-langkah mitigasi yang membantu dalam praktiknya:

  • Libatkan manusia dalam proses pengambilan keputusan

  • mencatat perintah dan output untuk keperluan penelusuran

  • validasi dengan metode ortogonal (pengujian, model alternatif)

  • Menerapkan batasan dan filter secara otomatis

  • Perlakukan hasil keluaran sebagai hipotesis, bukan sebagai kebenaran mutlak. Panduan QSAR OECD.

AI generatif adalah alat bantu yang ampuh. Alat bantu tidak membuat Anda menjadi tukang kayu… alat itu hanya membuat kesalahan lebih cepat jika Anda tidak tahu apa yang Anda lakukan.

Bagaimana tim mengadopsi AI generatif tanpa kekacauan 🧩🛠️

Tim sering kali ingin menggunakan ini tanpa mengubah organisasi menjadi ajang pameran sains. Alur penerapan praktisnya terlihat seperti ini:

Selain itu, jangan remehkan budaya. Jika para ahli kimia merasa AI dipaksakan kepada mereka, mereka akan mengabaikannya. Jika AI menghemat waktu dan menghargai keahlian mereka, mereka akan mengadopsinya dengan cepat. Manusia memang lucu seperti itu 🙂.

Apa peran AI generatif dalam penemuan obat jika dilihat dari perspektif yang lebih luas? 🔭

Jika dilihat dari perspektif yang lebih luas, peran tersebut bukanlah "menggantikan ilmuwan." Melainkan "memperluas kapasitas ilmiah." Nature 2023 (ulasan penemuan ligan)

Ini membantu tim:

  • mengeksplorasi lebih banyak hipotesis per minggu

  • mengusulkan lebih banyak struktur kandidat per siklus

  • prioritaskan eksperimen dengan lebih cerdas

  • Memperpendek siklus iterasi antara desain dan pengujian

  • Berbagi pengetahuan lintas sektor Pola 2025 (Program LLM di bidang penemuan obat)

Dan mungkin bagian yang paling diremehkan: ini membantu Anda untuk tidak menyia-nyiakan kreativitas manusia yang mahal pada tugas-tugas yang berulang. Orang-orang seharusnya memikirkan mekanisme, strategi, dan interpretasi - bukan menghabiskan waktu berhari-hari untuk membuat daftar varian secara manual. Nature 2023 (ulasan penemuan ligan)

Jadi ya, peran AI generatif dalam penemuan obat adalah sebagai akselerator, generator, filter, dan terkadang sebagai pembuat masalah. Tetapi yang berharga.

Ringkasan penutup 🧾✅

AI generatif menjadi kemampuan inti dalam penemuan obat modern karena dapat menghasilkan molekul, hipotesis, urutan, dan rute lebih cepat daripada manusia - dan dapat membantu tim memilih eksperimen yang lebih baik. Tinjauan Frontiers in Drug Discovery 2024 dan Nature 2023 (tinjauan penemuan ligan).

Poin-poin ringkasan:

Jika Anda memperlakukannya sebagai kolaborator—bukan sebagai peramal—ia benar-benar dapat memajukan program. Dan jika Anda memperlakukannya sebagai peramal… yah, Anda mungkin akan berakhir mengikuti GPS itu ke danau lagi. 🚗🌊

Pertanyaan yang Sering Diajukan (FAQ)

Apa peran AI generatif dalam penemuan obat?

AI generatif terutama memperluas saluran ide dalam penemuan awal dan optimasi kandidat dengan mengusulkan molekul kandidat, urutan protein, jalur sintesis, dan hipotesis biologis. Nilainya bukan "mengganti eksperimen" tetapi lebih kepada "memilih eksperimen yang lebih baik" dengan menghasilkan banyak pilihan dan kemudian melakukan penyaringan secara ketat. AI generatif bekerja paling baik sebagai akselerator dalam alur kerja yang disiplin, bukan sebagai pengambil keputusan yang berdiri sendiri.

Di bagian mana AI generatif berkinerja terbaik di seluruh tahapan penemuan obat?

Metode ini cenderung memberikan nilai paling besar di mana ruang hipotesis sangat luas dan iterasi mahal, seperti identifikasi kandidat obat, desain de novo, dan optimasi kandidat obat. Tim juga menggunakannya untuk triase ADMET, saran retrosintesis, dan dukungan literatur atau hipotesis. Keuntungan terbesar biasanya berasal dari pengintegrasian generasi dengan filter, penilaian, dan tinjauan manusia daripada mengharapkan satu model tunggal untuk menjadi "cerdas"

Bagaimana cara Anda menetapkan batasan agar model generatif tidak menghasilkan molekul yang tidak berguna?

Pendekatan praktisnya adalah dengan mendefinisikan batasan sebelum generasi: rentang properti (seperti kelarutan atau target logP), aturan kerangka atau substruktur, fitur situs pengikatan, dan batasan kebaruan. Kemudian terapkan filter kimia medisinal (termasuk PAINS/grup reaktif) dan pemeriksaan sintesis. Generasi dengan batasan terlebih dahulu sangat membantu dalam desain molekuler gaya difusi dan kerangka kerja seperti REINVENT 4, di mana tujuan multi-objektif dapat dikodekan.

Bagaimana tim harus memvalidasi keluaran GenAI untuk menghindari halusinasi dan rasa percaya diri yang berlebihan?

Perlakukan setiap keluaran sebagai hipotesis, bukan kesimpulan, dan validasi dengan pengujian dan model ortogonal. Pasangkan generasi dengan penyaringan agresif, penambatan atau penilaian bila sesuai, dan pemeriksaan domain penerapan untuk prediktor gaya QSAR. Buat ketidakpastian terlihat bila memungkinkan, karena model dapat salah secara pasti pada kimia di luar distribusi atau klaim biologis yang meragukan. Tinjauan oleh manusia tetap menjadi fitur keamanan inti.

Bagaimana Anda dapat mencegah kebocoran data, risiko IP, dan output yang "dihafal"?

Gunakan tata kelola dan kontrol akses agar detail program yang sensitif tidak sembarangan dimasukkan ke dalam perintah, dan catat perintah/keluaran untuk keperluan audit. Terapkan pemeriksaan kebaruan dan kemiripan agar kandidat yang dihasilkan tidak terlalu mirip dengan senyawa yang sudah dikenal atau wilayah yang dilindungi. Tetapkan aturan yang jelas tentang data apa yang diizinkan dalam sistem eksternal, dan utamakan lingkungan terkontrol untuk pekerjaan yang sangat sensitif. Peninjauan oleh manusia membantu mendeteksi saran yang "terlalu familiar" sejak dini.

Bagaimana AI generatif digunakan untuk optimasi prospek dan penyetelan multi-parameter?

Dalam optimasi senyawa utama, AI generatif sangat berharga karena dapat mengusulkan berbagai solusi kompromi alih-alih mengejar satu senyawa "sempurna" tunggal. Alur kerja umum meliputi saran analog, pemindaian substituen terpandu, dan perpindahan kerangka struktural ketika kendala potensi, toksisitas, atau hak kekayaan intelektual menghambat kemajuan. Prediktor sifat dapat rapuh, sehingga tim biasanya memberi peringkat kandidat dengan beberapa model dan kemudian mengkonfirmasi opsi terbaik secara eksperimental.

Bisakah AI generatif membantu dalam bidang biologi dan rekayasa protein juga?

Ya - tim menggunakannya untuk menghasilkan sekuens antibodi, ide pematangan afinitas, peningkatan stabilitas, dan eksplorasi enzim atau peptida. Pembuatan protein/sekuens dapat terlihat masuk akal tanpa harus dapat dikembangkan, jadi penting untuk menerapkan filter kemampuan pengembangan, imunogenisitas, dan kemampuan manufaktur. Alat struktural seperti AlphaFold dapat mendukung penalaran, tetapi "struktur yang masuk akal" tetap bukan bukti ekspresi, fungsi, atau keamanan. Siklus laboratorium basah tetap penting.

Bagaimana AI generatif mendukung perencanaan sintesis dan retrosintesis?

Perencana retrosintesis dapat menyarankan rute, bahan awal, dan peringkat rute untuk mempercepat proses ideasi dan dengan cepat menyingkirkan jalur yang tidak layak. Alat dan pendekatan seperti perencanaan ala AiZynthFinder paling efektif bila dipadukan dengan pengecekan kelayakan di dunia nyata dari para ahli kimia. Ketersediaan, keamanan, kendala peningkatan skala, dan "reaksi teoritis" yang gagal dalam praktik tetap membutuhkan penilaian manusia. Dengan cara ini, alat ini menghemat waktu tanpa menganggap bahwa masalah kimia telah terpecahkan.

Referensi

  1. Nature - Tinjauan penemuan ligan (2023) - nature.com

  2. Bioteknologi Alam - GENTRL (2019) - nature.com

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

  4. Alam - RFdiffusion (2023) - nature.com

  5. Nature Biotechnology - ProteinGenerator (2024) - nature.com

  6. Nature Communications - Efek batch dalam pencitraan sel (2024) - nature.com

  7. npj Kedokteran Digital - Halusinasi + kerangka kerja keselamatan (2025) - nature.com

  8. npj Kedokteran Digital - Multimodal dalam bioteknologi (2025) - nature.com

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

  10. Pola Sel - LLM dalam penemuan obat (2025) - cell.com

  11. ScienceDirect (Elsevier) - Model generatif dalam desain obat de novo (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): kekhawatiran tentang kebaruan/keunikan - sciencedirect.com

  13. Analisis Citra Medis (ScienceDirect) - AI Multimodal dalam kedokteran (2025) - sciencedirect.com

  14. PubMed Central - Panduan klinisi (risiko halusinasi) - nih.gov

  15. Catatan Penelitian Kimia (Publikasi ACS) - Ruang Kimia (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): skala ruang kimia - nih.gov

  17. Frontiers in Drug Discovery (PubMed Central) - Review (2024) - nih.gov

  18. Jurnal Informasi dan Pemodelan Kimia (Publikasi ACS) - Model difusi dalam desain obat de novo (2024) - acs.org

  19. PubMed Central - REINVENT 4 (kerangka kerja terbuka) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (ADMET awal itu penting) - nih.gov

  21. OECD - Prinsip-prinsip Validasi Model (Q)SAR untuk Tujuan Regulasi - oecd.org

  22. OECD - Dokumen panduan tentang validasi model (Q)SAR - oecd.org

  23. Jurnal Penelitian Kimia (Publikasi ACS) - Perencanaan sintesis berbantuan komputer / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (Publikasi ACS) - Retrosintesis berbantuan komputer (Coley, 2017) - acs.org

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

  26. PubMed - Lipinski: Aturan 5 konteks - nih.gov

  27. Jurnal Kimia Obat (Publikasi ACS) - Baell & Holloway (2010): NYERI - acs.org

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

  29. PubMed - Rives (2021): model bahasa protein - nih.gov

  30. PubMed Central - Leek dkk. (2010): efek batch - nih.gov

  31. PubMed Central - Tinjauan penyebaran (2025) - nih.gov

  32. FDA - E14 dan S7B: evaluasi klinis dan nonklinis perpanjangan interval QT/QTc dan potensi proaritmik (Tanya Jawab) - fda.gov

  33. Badan Obat-obatan Eropa - Gambaran umum pedoman ICH E14/S7B - europa.eu

  34. USENIX - Carlini dkk. (2021): mengekstrak data pelatihan dari model bahasa - usenix.org

  35. Universitas Edinburgh – Layanan Penelitian Digital - Sumber daya buku catatan laboratorium elektronik (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): Domain penerapan QSAR - sciencedirect.com

Temukan AI Terbaru di Toko Resmi Asisten AI

Tentang Kami

Kembali ke blog