Yuqing Pan və həmkarlarının icmalı süni intellekt və maşın öyrənməsinin əczaçılıq elmlərində yalnız yeni molekullar axtarmaq üçün deyil; dərmanların həllolma qabiliyyətini və farmakokinetikasını proqnozlaşdırmaq, dozaj formalarını və formulasiya tərkiblərini optimallaşdırmaq, bioloji əlçatanlığı proqnozlaşdırmaq, fərdiləşdirilmiş doza qərarlarını dəstəkləmək və 3D dərman çapı, mikrofluidik sistemlər və elektrospinning kimi istehsal texnologiyalarını inkişaf etdirmək üçün necə istifadə edildiyini araşdırır. İcmalda təqdim olunan tədqiqatlar bəzi yaxşı müəyyən edilmiş məlumat dəstlərində yüksək proqnozlaşdırma göstəricilərinə nail oluna bildiyini göstərsə də, müəlliflər məlumat keyfiyyətini, standartlaşdırmanı, modelin izaholunmasını, tənzimləyici qeyri-müəyyənliyi, müəssisələrarası ötürülə bilənliyi və hesablama infrastrukturunu əsas məhdudiyyətlər kimi vurğulayırlar. Buna görə tədqiqat süni intellektin əczaçılıq inkişafında güclü qərar dəstəyi və optimallaşdırma aləti ola biləcəyini müdafiə edir; lakin AI modellərinin eksperimental, klinik və ya tənzimləyici doğrulamanı əvəz etdiyini göstərmir.

Türkiyə baxımından icmalın ən mühüm mesajı budur ki, süni intellekt əsaslı əczaçılıq sistemlərinin birbaşa idxal edilərək eyni performansla işləyəcəyi fərz edilə bilməz. Klinik məlumat strukturu, xəstə demoqrafiyası, genetik paylanmalar, xəstəxana informasiya sistemləri, dərman istehsalı infrastrukturu, istifadə olunan xammallar və tənzimləyici tələblər ölkədən və müəssisədən asılı olaraq dəyişə bilər. Buna görə Türkiyədə farmakokinetik proqnozlaşdırma, dəqiq dozalama və ya ağıllı istehsal üçün istifadə ediləcək modellər yerli məlumatlar üzərində doğrulanmalı; məlumat keyfiyyəti, təmsil ədaləti və tənzimləyici uyğunluq ayrıca qiymətləndirilməlidir.

Əczaçılıq inkişafında əsas problem nədir?

Dərman hazırlanması farmakodinamika, farmakokinetika, toksiklik, formulasiya və istehsal edilə bilmə kimi bir-birinə təsir edən çoxsaylı dəyişənlərin birlikdə qiymətləndirilməsini tələb edir. İcmal müəllifləri yalnız bir xüsusiyyətin optimallaşdırılmasına əsaslanan yanaşmaların namizəd birləşmənin insan orqanizmindəki davranışını bütövlükdə proqnozlaşdırmaqda yetərsiz qala biləcəyini vurğulayırlar.

Farmakokinetika dərmanın orqanizmə daxil olduqdan sonra absorbsiyasını, paylanmasını, metabolizmini və xaric edilməsini əhatə edən prosesləri ifadə edir. Bu dörd sahə adətən ADME qısaltması ilə müəyyən edilir. Əczaçılıq inkişafı baxımından problem yalnız molekulun təsirli olması deyil; dərmanın uyğun miqdarda həll olması, hədəf bölgəyə çatması, tələb olunan müddət ərzində uyğun konsentrasiyada qalması və qəbul edilə bilən təhlükəsizlik hədləri daxilində olması da lazımdır.

Süni intellekt həllolma qabiliyyətinin proqnozlaşdırılmasında nə edir?

İcmalda bazardakı dərmanların təxminən %40'ının suda aşağı həllolma qabiliyyətinə malik olduğu; yüksək məhsuldarlıqlı skrininqdə yeni müəyyən edilən aktiv birləşmələrin isə təxminən %70–90'ında aşağı həllolma probleminin müşahidə oluna bildiyi bildirilir. Aşağı həllolma qabiliyyəti absorbsiyanı və bioloji əlçatanlığı məhdudlaşdıra bildiyi üçün dərman hazırlanmasında mühüm darboğazdır.

Ənənəvi kəmiyyət struktur-xassə əlaqəsi modelləri, yəni QSPR, molekulyar deskriptorlara əsaslanır. İcmal müasir süni intellekt yanaşmalarının fiziki-kimyəvi xassələri, molekulyar fraqment və barmaq izi məlumatlarını, kvant-kimyəvi xüsusiyyətləri və molekulun topoloji əlaqələrini birlikdə istifadə edə bildiyini izah edir.

Bu sahədə süni neyron şəbəkələri, dərin neyron şəbəkələri, qraf neyron şəbəkələri və qraf transformator modellərindən istifadə olunur. Molekulun atomlarını və rabitələrini qraf kimi nəzərdən keçirən üsullar bəzi tapşırıqlarda xüsusiyyətlərin əl ilə seçilməsi ehtiyacını azalda bilər.

Lakin icmalın mühüm xəbərdarlıqlarından biri budur: ümumi dərman həllolma qabiliyyətini qüsursuz şəkildə proqnozlaşdıran AI modeli hələ yoxdur. Kimyəvi siniflər arasındakı məlumat balanssızlığı, müxtəlif eksperimental şəraitlər, ölçmə protokollarının heterogenliyi, məlumat səs-küyü və standart müqayisə dəstlərinin çatışmazlığı modelin ümumiləşdirilə bilməsini məhdudlaşdırır.

Daha mürəkkəb model həmişə daha yaxşıdırmı?

Xeyr. İcmalın xüsusilə vurğuladığı məqamlardan biri daha mürəkkəb süni intellekt arxitekturalarının hər məlumat dəstində daha sadə modelləri avtomatik olaraq üstələməməsidir. Təqdim edilən müqayisəli bir tədqiqatda uyğun deskriptorlar və diqqətlə tərtib edilmiş məlumatlardan istifadə edildikdə sadə xətti reqressiyanın bəzi şəraitlərdə neyron şəbəkələrindən və kommersiya in silico modellərindən daha uğurlu ola bildiyi bildirilir.

Bu nümunə əczaçılıq süni intellektində model mürəkkəbliyindən çox problemin tərifinin, məlumat keyfiyyətinin, dəyişən seçiminin və xarici doğrulamanın həlledici ola biləcəyini göstərir.

Farmakokinetik proqnozlaşdırma niyə kritikdir?

Dərmanın paylanma həcmi, klirensi, yarımparçalanma müddəti və plazmada bağlanmamış fraksiyası kimi farmakokinetik xüsusiyyətləri effektivliyin və təhlükəsizliyin qiymətləndirilməsinin əsas hissələridir. Müəlliflər kimyəvi quruluş və molekulyar xüsusiyyətlər əsasında bu parametrlərin mümkün qədər erkən proqnozlaşdırılmasının klinik inkişafa çatmamış namizəd birləşmələrin prioritetləşdirilməsinə kömək edə biləcəyini izah edirlər.

İcmalda nümunə kimi istifadə olunan geniş insan venadaxili farmakokinetik məlumat dəsti 1.352 dərman ehtiva edir. Bu məlumat dəstində paylanma həcmi (Vd), klirens (CL), yarımparçalanma müddəti və plazmada bağlanmamış fraksiya kimi parametrlər mövcuddur.

Maşın öyrənməsi farmakokinetikada hansı göstəricilərə çatdı?

İcmalda təqdim edilən Wang və həmkarlarının tədqiqatında dəstək vektor maşınları, Random Forest və gradient boosting üsulları; iki və üçölçülü molekulyar deskriptorlar və barmaq izləri ilə birlikdə istifadə edilmişdir. Paylanma həcmi proqnozlarında birləşmələrin %87'si həqiqi dəyərin 2 qat xəta intervalı daxilində proqnozlaşdırılmış; model üçün R²=0,87 və RMSE=0,21 bildirilmişdir.

Eyni tədqiqatdakı klirens modeli R²=0,88 və RMSE=0,10 dəyərlərinə çatmış, birləşmələrin %100'ü 2 qat xəta intervalında proqnozlaşdırılmışdır. Bununla belə, icmal müəllifləri klirens modelindəki yüksək uğurun məlumat dəstinin aşağı klirensli birləşmələrə doğru qərəzli paylanmasından qismən təsirlənmiş ola biləcəyini xüsusilə qeyd edirlər.

Digər farmakokinetik nümunələr nə göstərir?

İcmal tək bir performans nəticəsinə əsaslanmır; müxtəlif tədqiqat qruplarından çoxsaylı nümunələr təqdim edir. İnsan paylanma həcmini birbaşa maşın öyrənməsi ilə proqnozlaşdıran başqa bir yanaşmada birləşmələrin %75'i 3 qat xəta intervalında düzgün proqnozlaşdırılmış və R²=0,5 bildirilmişdir.

Heyvan məlumatlarını insan klirensinin proqnozlaşdırılmasında istifadə edən bir tədqiqatda birləşmələrin %49'u 2 qat xəta intervalında düzgün proqnozlaşdırılmışdır. Eyni tədqiqat qrupunun daha sonrakı təxminən 750 birləşmə daxil edən tədqiqatında insan klirensi üçün %67, paylanma həcmi üçün %71 nisbətində 2 qat xəta intervalı daxilində proqnoz uğuru təqdim olunur.

Başqa bir tədqiqatda təxminən 1.000 klinik birləşmə üzərində Random Forest modelləri hazırlanmışdır. Oral tətbiqdən sonra maksimum konsentrasiya (Cmax) modelində R²=0,68, RMSE=0,62 və 3 qat xəta intervalında %58 dəqiqlik; paylanma həcmi üçün R²=0,47, RMSE=0,50 və 3 qat xəta intervalında %68 dəqiqlik bildirilmişdir.

Transfer öyrənməsi və çox tapşırıqlı öyrənməni birləşdirən fərqli bir dərin öyrənmə yanaşması isə 30 milyondan çox bioloji aktivlik məlumat nöqtəsi ilə əvvəlcədən öyrədildikdən sonra 1.104 FDA təsdiqli kiçik molekul üzərində dörd farmakokinetik parametri proqnozlaşdırmaq üçün istifadə edilmişdir. İcmalda oral bioloji əlçatanlıq üçün orta mütləq xəta (MAE) 0,31, paylanma həcmi üçün MAE 0,17 olaraq təqdim edilir.

Bu nəticələr eyni eksperimentin təkrarları deyil. Məlumat dəstləri, hədəf parametrlər, xəta tərifləri və model arxitekturaları dəyişdiyi üçün rəqəmlərin birbaşa “AI sıralaması” yaradacaq şəkildə müqayisə edilməsi elmi baxımdan uyğun deyil.

Farmakokinetik əyrilər də proqnozlaşdırıla bilərmi?

İcmala görə süni intellekt tətbiqləri yalnız tək bir klirens və ya paylanma həcmi dəyərini proqnozlaşdırmaqdan zamanla dəyişən dərman konsentrasiyası əyrilərini modelləşdirməyə doğru irəliləyir. Təkrarlanan neyron şəbəkələri (RNN) və Uzun-Qısa Müddətli Yaddaş şəbəkələri (LSTM) nizamsız nümunələnmiş farmakokinetik zaman sıralarının işlənməsində istifadə edilə bilər.

Neural Ordinary Differential Equation, yəni neyron adi diferensial tənlik modelləri isə fasiləsiz zaman dinamikasını diferensial tənlik quruluşu ilə neyron şəbəkələri daxilində birləşdirməyi hədəfləyir. Müəlliflər məlumat yönümlü modellərlə mexanistik farmakokinetik modellərin birləşdirilməsini fizioloji məna və xaricə ötürülə bilmə baxımından mühüm inkişaf istiqaməti kimi göstərirlər.

AI dərman formulasiya­sına necə təsir edir?

Dozaj forması dərmanın tətbiq yolunu; tətbiq yolu isə absorbsiyanı və paylanma davranışını təsir edir. İcmalda süni neyron şəbəkələri, bulanıq məntiq və genetik alqoritmlərin xüsusilə bərk dozaj formalarının formulasiyasında istifadə olunan üsullar arasında olduğu bildirilir.

Bir formulasiyanın aktiv maddə və köməkçi maddələrin nisbətlərindən ibarət olmadığı; bu komponentlərin necə emal edilməsinin də son məhsulun xüsusiyyətlərini müəyyən etdiyi vurğulanır. Komponentlər arasındakı mürəkkəb fiziki-kimyəvi əlaqələr səbəbindən süni intellekt formulasiya girişləri ilə həllolma, buraxılma və digər məhsul xüsusiyyətləri arasındakı əlaqələri öyrənmək məqsədilə istifadə olunur.

İcmalda nəzarətli buraxılan deksketoprofen tabletlərinin həllolmasını proqnozlaşdıran süni neyron şəbəkəsi, moksifloksasin ağızda dağılan tabletlərinin optimallaşdırılması və müxtəlif şəraitdə istehsal edilən 37 uzadılmış buraxılışlı tabletin həllolma əyrisinin proqnozlaşdırılması kimi nümunələr təqdim olunur.

Bioloji əlçatanlığın proqnozlaşdırılmasında süni intellektin rolu nədir?

Bioloji əlçatanlıq dərmanın sistemik qan dövranına çatma sürətini və miqdarını ifadə edir. Oral dərmanlarda qida təsiri, molekulyar xüsusiyyətlər, həllolma və keçiricilik bu prosesə təsir edə bilər.

İcmalda 1.448 molekuldan ibarət məlumat dəsti ilə hazırlanmış oral bioloji əlçatanlıq modelləri nümunə göstərilir. Bioloji əlçatanlığı %50 həddindən yuxarı və ya aşağı təsnif edən modellər arasında ensemble yanaşmasının %78 dəqiqliyə çatdığı bildirilir. Eyni məlumat dəsti üzərində daha sonra %20 və %50 hədləri ilə hazırlanmış Random Forest modellərində dəqiqlik nisbətlərinin %78–82 arasında olduğu qeyd olunur.

Bu təsnifat uğurları bir dərmanın klinik olaraq effektiv və ya təhlükəsiz olduğunu birbaşa göstərmir. Bioloji əlçatanlıq dərman hazırlanmasında çoxsaylı parametrlərdən yalnız biridir.

Fərdiləşdirilmiş dozalamada hansı məlumatlardan istifadə edilə bilər?

İcmal dəqiq dozalama sistemlərində genetik markerlər, yaş, cins, bədən çəkisi, böyrək və qaraciyər funksiyası, klinik ölçmələr və həyat tərzi kimi müxtəlif məlumat növlərinin vahid proqnoz çərçivəsində birləşdirilə biləcəyini izah edir.

Məsələn, CYP450 fermentlərindəki genetik fərqlər dərmanın metabolizm sürətinə təsir edə bilər. Müəlliflərin nəzərdən keçirdiyi yanaşmada məqsəd xəstə xüsusiyyətlərini farmakokinetik və farmakodinamik dəyişənlərlə əlaqələndirərək əhali səviyyəsində standart dozalardan fərdiləşdirilmiş proqnozlara keçməkdir.

Lakin icmal belə bir AI proqnozunun öz-özlüyündə xəstəyə tətbiq ediləcək dozanı müəyyən edən klinik sübut olduğu nəticəsini dəstəkləmir. Model doğrulaması, klinik kontekst və ekspert qiymətləndirməsi ayrıca tələblərdir.

Əczaçılıq istehsalında AI harada işə düşür?

Müəlliflər əczaçılıq istehsalında süni intellektin kritik material xüsusiyyətlərinin, kritik proses parametrlərinin və kritik keyfiyyət xüsusiyyətlərinin izlənməsində; proses parametrlərinin proqnozlaşdırılmasında və Quality by Design yanaşmasının dəstəklənməsində istifadə edilə biləcəyini bildirirlər.

İcmalın 3-cü səhifəsindəki Cədvəl 1; QSAR ilə maşın öyrənməsini, süni neyron şəbəkələrini, dərin neyron şəbəkələrini, qraf neyron şəbəkələrini, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning və mexanistik-AI hibrid modellərini müxtəlif əczaçılıq tapşırıqları ilə uyğunlaşdırır.

Cədvəldəki “yüksək, orta və aşağı” dəqiqlik/səmərəlilik siniflərinin mütləq performans meyarları olmadığı xüsusilə qeyd edilmişdir. Bunlar ədəbiyyatda adətən bildirilən nisbi performansı ümumiləşdirən keyfiyyət təsnifatlarıdır.

Hansı məlumat mənbələri önə çıxır?

İcmalın 4-cü səhifəsindəki Cədvəl 2, süni intellekt dəstəkli əczaçılıq tədqiqatlarında istifadə oluna bilən məlumat mənbələrini iki əsas ehtiyac ətrafında qruplaşdırır: farmakokinetik/xəstə məlumatları və istehsal/proses məlumatları.

Bu siyahı icmal müəlliflərinin əczaçılıq AI üçün təmsilçi olaraq təqdim etdiyi məlumat mənbələrini ümumiləşdirir; cədvəlin özü bu məlumat bazalarının keyfiyyətini və ya konkret AI modeli üçün yetərliliyini doğrulayan eksperimental müqayisə deyil.

3D dərman çapı və süni intellekt necə birləşir?

İcmalda üçölçülü dərman çapı fərdiləşdirilmiş əczaçılıq məhsullarının və müxtəlif doza və ya buraxılış xüsusiyyətlərinə malik strukturların istehsalı baxımından mühüm sahə kimi nəzərdən keçirilir. Süni intellektin burada çap parametrlərini, formulasiyanın çap edilə bilməsini və keyfiyyətə nəzarət dəyişənlərini proqnozlaşdırmaq üçün istifadə edilə biləcəyi bildirilir.

Nümunə kimi verilən M3DISEEN adlı veb əsaslı sistem üçün 614 dərman yüklü formulasiyadan ibarət məlumat dəsti ilə maşın öyrənməsi modelinin öyrədildiyi və FDM əsaslı 3D dərman çapında mühüm istehsal parametrlərinin proqnozlaşdırıldığı bildirilir.

Süni intellektin 3D çap olunmuş mikroiynələrin həndəsi və funksional xüsusiyyətlərinin proqnozlaşdırılmasında da istifadə edilə biləcəyi göstərilir. Bununla belə, icmal 3D dərman istehsalında materialın özlülüyü, nozzle diametri, çap sürəti və xammal keyfiyyətindəki dəyişikliklərin məhsul homogenliyinə və dərman buraxılışına təsir edə biləcəyini vurğulayır.

Mikrofluidik sistemlərdə AI nə təmin edir?

Mikrofluidik reaktorlar kiçik həcmlərdə dəqiq axın nəzarəti, sürətli istilik və kütlə ötürülməsi və onlayn analiz təmin edə bilər. İcmalda süni intellektin çoxsaylı proses dəyişənlərini birlikdə qiymətləndirərək nanohissəcik istehsalının optimallaşdırılmasında istifadə edilə biləcəyi bildirilir.

Nümunə tədqiqatlardan birində adaptiv nümunələmə alqoritmi müəyyən emissiya xüsusiyyətlərinə malik nanokristallar üçün reaktiv konsentrasiyalarının müəyyən edilməsini sürətləndirmək məqsədilə mikrofluidik platformaya inteqrasiya edilmişdir. Başqa bir tədqiqatda isə müxtəlif proses parametrləri dəyişdirilərək 200'dən çox liposom sintez edilmiş və AI modeli liposom sabitliyini proqnozlaşdırmaq üçün öyrədilmişdir.

Elektrospinning sahəsində nə araşdırılır?

Elektrospinning nano və mikro miqyasda liflərin istehsal oluna bildiyi bir üsuldur. Gərginlik, axın sürəti, iynə-kollektor məsafəsi, məhlul konsentrasiyası, özlülük, keçiricilik və həlledici növü kimi çoxsaylı dəyişən son lif xüsusiyyətlərinə təsir edə bilər.

İcmalda kurkumin yüklü nanoliflərin istehsal parametrlərini və fiziki-kimyəvi xüsusiyyətlərini qiymətləndirmək üçün süni intellektdən istifadə olunan bir tədqiqat nümunə göstərilir. AI-nin buradakı funksiyası çoxdəyişənli proses məkanındakı əlaqələri öyrənərək istehsal parametrləri ilə məhsul xüsusiyyətləri arasındakı əlaqələri proqnozlaşdırmaqdır.

Süni intellektin qarşısındakı əsas maneələr hansılardır?

İcmal beş əsas çətinlik sahəsi müəyyən edir:

1. Məlumat keyfiyyəti, əlçatanlığı və standartlaşdırma: Klinik tədqiqatlardan, elektron sağlamlıq qeydlərindən və laboratoriyalardan gələn məlumatlar müxtəlif formatlarda və müxtəlif keyfiyyət səviyyələrində ola bilər.
2. İzaholunma və şəffaflıq: Xüsusilə dərin öyrənmə modellərinin qərar mexanizmini anlamağın çətin olması elmi və tənzimləyici etimadı məhdudlaşdıra bilər.
3. Mövcud iş axınlarına inteqrasiya: Əczaçılıq Ar-Ge və istehsal prosesləri tənzimlənən protokollar altında aparıldığı üçün AI sistemlərinin mövcud infrastruktura əlavə edilməsi yalnız texniki problem deyil.
4. Fənlərarası ekspertiza çatışmazlığı: Farmakokinetika, formulasiya elmi, məlumat elmi və AI mühəndisliyini birlikdə başa düşən komandaların lazım olduğu bildirilir.
5. Hesablama və infrastruktur tələbi: Qabaqcıl modellər yüksək məhsuldarlıqlı hesablama və böyük həcmli məlumat saxlama infrastrukturu tələb edə bilər.

Müəlliflər həmçinin təlim məlumatlarındakı demoqrafik balanssızlıqların bəzi xəstə qruplarında daha aşağı performansa və sağlamlıq bərabərsizliyinin güclənməsinə səbəb ola biləcəyi barədə xəbərdarlıq edirlər.

İstehsalda tənzimləyici problem niyə vacibdir?

İcmalın yayımlandığı çərçivədə müəlliflər süni intellekt dəstəkli əczaçılıq 3D çapı və mikrofluidik istehsal üçün əhatəli, qlobal və uyğunlaşdırılmış tənzimləyici standartın olmadığını bildirirlər. Xüsusilə xammal xüsusiyyətlərinin, çap parametrlərinin, son emal nəzarətlərinin, model doğrulamasının və məhsul keyfiyyəti gözləntilərinin aydın şəkildə müəyyən edilməli olduğunu müdafiə edirlər.

Beləliklə, texniki baxımdan yüksək dəqiqlik verən modelin mövcudluğu AI dəstəkli dərman istehsalı prosesinin avtomatik olaraq tənzimləyici təsdiq alacağı demək deyil.

Tədqiqatın dəstəklədiyi nəticələr

• AI və maşın öyrənməsi əczaçılıq elmlərində həllolma qabiliyyətindən farmakokinetikaya, formulasiyadan istehsala qədər geniş tətbiq sahəsinə malikdir.
• Bəzi yaxşı müəyyən edilmiş məlumat dəstlərində farmakokinetik parametrlər üçün yüksək proqnozlaşdırma göstəriciləri bildirilmişdir.
• AI çoxdəyişənli formulasiya və istehsal problemlərində parametrlər arasındakı mürəkkəb əlaqələrin modelləşdirilməsi üçün istifadə olunur.
• 3D dərman çapı, mikrofluidik sintez və elektrospinning kimi qabaqcıl istehsal üsulları AI əsaslı optimallaşdırma üçün araşdırılan sahələrdir.
• Məlumat keyfiyyəti, modelin izaholunması, ötürülə bilənlik və tənzimləyici uyğunluq AI-nin əczaçılıqda istifadəsi üçün kritik məhdudiyyətlərdir.

Tədqiqatın dəstəkləmədiyi və ya sübut etmədiyi nəticələr

• Süni intellektin hər əczaçılıq problemində ənənəvi üsullardan daha uğurlu olduğu göstərilməmişdir.
• İcmalda təqdim edilən müxtəlif model uğur nisbətləri vahid ortaq məlumat dəstində müqayisə edilməmişdir.
• AI proqnozlarının klinik qərarları insan mütəxəssis olmadan etibarlı şəkildə verə bildiyi göstərilməmişdir.
• AI dəstəkli fərdiləşdirilmiş dozalamanın bütün xəstə qruplarında təhlükəsiz və ya üstün olduğu sübut edilməmişdir.
• 3D çap olunmuş dərmanların AI istifadə edildiyinə görə avtomatik olaraq daha təhlükəsiz, effektiv və ya tənzimləyici baxımdan qəbul edilə bilən olduğu nəticəsinə gəlmək olmaz.
• İcmal yeni klinik sınaq, yeni dərman formulasiyası və ya yeni istehsal prosesi hazırlamamışdır.
• Tədqiqat sistematik icmal və ya meta-analiz olmadığı üçün bütün ədəbiyyatın kəmiyyətcə birləşdirilmiş təsirini təqdim etmir.

Tədqiqatın Metodu və Nəticələri

Tədqiqatın elmi dizaynı

Mənbə bir icmal məqaləsidir. Müəlliflər süni intellekt və digər qabaqcıl texnologiyaların əczaçılıq sənayesindəki tətbiqlərini; dərman həllolma qabiliyyəti və farmakokinetik proqnozlaşdırma, dozaj forması dizaynı, formulasiya optimallaşdırılması, bioloji əlçatanlıq, fərdiləşdirilmiş dozalama və əczaçılıq istehsalı istiqamətlərində qiymətləndirmişlər.

Mətndə sistematik ədəbiyyat axtarışına xas məlumat bazası axtarış sətirləri, başlanğıc və bitmə tarixləri, daxil etmə/xaric etmə meyarları, ikiqat qiymətləndirici prosesi, PRISMA axın diaqramı, keyfiyyət ballandırılması və ya meta-analiz üsulu bildirilməmişdir. Buna görə tədqiqat sistematik icmal və ya meta-analiz kimi deyil, geniş əhatəli narrativ icmal kimi qiymətləndirilməlidir.

İcmalda önə çıxan kəmiyyət nümunələri

Cədvəl 1-in elmi mesajı

Mənbənin 3-cü səhifəsindəki Cədvəl 1 əczaçılıqda vahid bir “ən yaxşı AI alqoritmi” olmadığını göstərir. QSAR+ML, ANN, DNN, GNN, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning və mexanistik-AI hibrid modelləri müxtəlif problemlərdə istifadə olunur.

Cədvəldə performans “H”, “M” və “L” şəklində yüksək, orta və aşağı kimi xülasə edilmişdir. Mənbənin qeydində bu dərəcələrin ədəbiyyatda tipik olaraq bildirilən nisbi proqnoz dəqiqliyi və hesablama səmərəliliyinə əsaslandığı; mütləq meyarlar olmadığı açıq şəkildə bildirilir.

Cədvəl 2-nin elmi mesajı

4-cü səhifədəki Cədvəl 2 süni intellektin əczaçılıq tətbiqlərində model arxitekturası qədər məlumat infrastrukturunun da həlledici olduğunu göstərir. Xəstə səviyyəsində farmakokinetik və dərmana cavab məlumatları dəqiq dozalama və məruzqalma proqnozları üçün; material və proses səviyyəsində məlumatlar isə formulasiya və istehsal optimallaşdırılması üçün istifadə olunur.

Müəlliflərin cədvəldə həm beynəlxalq, həm də Çinə xas məlumat mənbələrinə yer verməsi müxtəlif populyasiyaların və tənzimləyici mühitlərin məlumat təmsilinin vacib hesab edildiyini göstərir.

Əsas metodoloji məhdudiyyətlər

• İcmal sistematik ədəbiyyat axtarışı protokolu barədə hesabat vermir.
• Təqdim edilən model nəticələri müxtəlif məlumat dəstləri və performans meyarlarından gəldiyi üçün onlar arasında birbaşa üstünlük sıralaması aparmaq olmaz.
• İcmaldakı bəzi performans göstəriciləri ikincili mənbələrdən götürülmüş və bu məqalədə yenidən hesablanmamışdır.
• AI modellərinin məlumat paylanması dəyişdikdə xarici etibarlılığı ayrıca doğrulanmalıdır.
• Modelin izaholunması, demoqrafik məlumat qərəzi və standartlaşdırma problemləri klinik və istehsal tətbiqlərini məhdudlaşdıra bilər.
• Mənbələr siyahısının 96 nömrəli qeydində “Pharmaceutics 20123” formasında biblioqrafik cəhətdən pozulmuş görünən bir ifadə var; burada səssizcə düzəldilməmişdir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Harnessing the Power of Artificial Intelligence for Pharmaceutics: From Pharmacokinetics Prediction, Formulation, to Manufacturing

Müəlliflər: Yuqing Pan; Ruyue Mi; Wei Bian; Zixin Wang; Mingfang Zhao; Zhaoqian Li; Wenkai Zhang; Yaoshuai Zhang; Ziyi Hu; Ning Wang; Buyong Ma.

Bərabər töhfə: Yuqing Pan, Ruyue Mi və Wei Bian mənbədə bərabər töhfə sahibləri kimi işarələnmişdir.

Məsul müəllif: Buyong Ma.

Müəssisə: Engineering Research Center of Cell and Therapeutic Antibody (MOE), School of Pharmacy, Shanghai Jiao Tong University, Shanghai, People's Republic of China.

DOI:10.1055/a-2790-6937

Jurnal: Pharmaceutical Fronts.

Cild / nömrə / səhifələr: 8(1), e1–e11.

Nəşriyyat: Georg Thieme Verlag KG.

Mənbə növü və resenziya vəziyyəti: Resenziyalı icmal məqaləsi.

Göndərilmə tarixi: 14 Fevral 2024.

Qəbul tarixi: 16 Yanvar 2026.

Onlayn nəşr tarixi: 27 Fevral 2026.

ISSN: 2628-5088.

Lisenziya: Creative Commons Attribution 4.0 International (CC BY 4.0).

Maliyyələşdirmə: Natural Science Foundation of China, Grant No. 32171246; Shanghai Municipal Government Science Innovation, Grant No. 21JC1403700.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bəyan etməmişlər.

Məlumat əlçatanlığı: Mənbədə ayrıca məlumat əlçatanlığı bəyanı yoxdur.

CRediT/müəllif töhfələri: Mənbədə ayrıca CRediT və ya fərdi müəllif töhfələri bölməsi yoxdur.

Mənbədaxili biblioqrafik qeyd

Mənbələr siyahısının 96 nömrəli qeydində nəşr məlumatı “Pharmaceutics 20123” şəklində görünür. Bu ifadə biblioqrafik baxımdan uyğunsuz görünsə də, mənbə mətninə sədaqət tələbi ilə səssizcə düzəldilməmişdir.

Elmi metod və şərh həddi

Bu mənbə yeni eksperimental, heyvan, klinik və ya istehsal məlumatı yaradan bir tədqiqat deyil. Əczaçılıq süni intellekt ədəbiyyatındakı nümunələri bir araya gətirən narrativ icmaldır. İcmalda təqdim edilən model dəqiqlikləri, R², RMSE, MAE və xəta intervalı nisbətləri müvafiq orijinal tədqiqatların nəticələridir; Pan və həmkarlarının yenidən apardığı müstəqil eksperimentlər deyil.

Mətndə sistematik axtarış protokolu, PRISMA axın sxemi, əvvəlcədən müəyyən edilmiş daxil etmə/xaric etmə meyarları və ya meta-analiz olmadığından tədqiqat bütün ədəbiyyat üçün kəmiyyətcə birləşdirilmiş təsir proqnozu təqdim etmir.

Bu Verianla məqaləsindəki elmi məzmun yüklənmiş icmala əsaslanır. Xarici mənbələr yalnız biblioqrafik nəşr kimliyinin və jurnalın resenziyalı statusunun doğrulanması üçün istifadə edilmiş; kənardan yeni əczaçılıq tapıntısı, klinik nəticə və ya model performansı əlavə edilməmişdir.