Yuqing Pan жана анын кесиптештеринин сереп макаласы жасалма интеллект менен машиналык үйрөнүүнүн фармацевтика илимдеринде жаңы молекулаларды издөө үчүн гана эмес; дары-дармектердин эригичтигин жана фармакокинетикасын божомолдоо, дозалоо формаларын жана формуляцияларды оптималдаштыруу, биожеткиликтүүлүктү алдын ала баалоо, жекече доза чечимдерин колдоо жана 3D дары басып чыгаруу, микрофлюиддик системалар менен электроформалоо сыяктуу өндүрүш технологияларын өркүндөтүү үчүн кандай колдонуларын талдайт. Серепте келтирилген изилдөөлөр айрым так аныкталган маалымат топтомдорунда жогорку божомолдоо көрсөткүчтөрүнө жетүүгө болорун көрсөтсө да, авторлор маалыматтын сапатын, стандартташтырууну, моделдин түшүндүрмөлүүлүгүн, жөнгө салуучу белгисиздикти, мекемелер аралык өткөрүлмөлүүлүктү жана эсептөө инфраструктурасын негизги чектөөлөр катары баса белгилешет. Ошондуктан эмгек жасалма интеллект фармацевтикалык өнүктүрүүдө күчтүү чечим колдоо жана оптималдаштыруу куралы боло аларын жактайт; бирок AI моделдери эксперименттик, клиникалык же жөнгө салуучу валидациянын ордун басарын көрсөтпөйт.

Түркия үчүн серептин эң маанилүү билдирүүсү — жасалма интеллектке негизделген фармацевтикалык системаларды түздөн-түз импорттоп, ошол эле көрсөткүч менен иштейт деп болжолдоого болбой тургандыгы. Клиникалык маалыматтын түзүмү, бейтаптардын демографиясы, генетикалык бөлүштүрүлүш, оорукана маалымат системалары, дары өндүрүшүнүн инфраструктурасы, колдонулган чийки заттар жана жөнгө салуучу талаптар өлкөгө жана мекемеге жараша өзгөрүшү мүмкүн. Ошондуктан Түркияда фармакокинетикалык божомолдоо, так дозалоо же акылдуу өндүрүш үчүн колдонула турган моделдер жергиликтүү маалыматтарда текшерилиши; маалыматтын сапаты, өкүлчүлүктүн адилеттүүлүгү жана жөнгө салуучу шайкештик өзүнчө бааланышы керек.

Фармацевтикалык өнүктүрүүдөгү негизги көйгөй эмне?

Дары иштеп чыгуу фармакодинамика, фармакокинетика, уулуулук, формуляция жана өндүрүмдүүлүк сыяктуу бири-бирине таасир эткен көптөгөн өзгөрмөлөрдү чогуу баалоону талап кылат. Серептин авторлору бир гана касиетти оптималдаштырууга негизделген ыкмалар талапкер кошулманын адам организминдеги жүрүм-турумун толугу менен божомолдоодо жетишсиз калышы мүмкүн экенин баса белгилешет.

Фармакокинетика дары организмге киргенден кийинки сиңүү, бөлүштүрүлүү, метаболизм жана чыгарылуу процесстерин билдирет. Бул төрт багыт адатта ADME кыскартмасы менен белгиленет. Фармацевтикалык өнүктүрүүдө маселе молекуланын натыйжалуу болушу менен гана чектелбейт; дары тиешелүү өлчөмдө эриши, максаттуу аймакка жетиши, керектүү убакыт бою ылайыктуу концентрацияда болушу жана кабыл алынуучу коопсуздук чектеринде калышы да керек.

Жасалма интеллект эригичтикти божомолдоодо эмне кылат?

Серепте базардагы дары-дармектердин болжол менен %40'ы сууда начар эрий турганы; жогорку өндүрүмдүү скринингдерде жаңы аныкталган активдүү кошулмалардын болсо болжол менен %70–90'ында төмөн эригичтик көйгөйү кездешиши мүмкүн экени айтылат. Төмөн эригичтик сиңүүнү жана биожеткиликтүүлүктү чектей алгандыктан, дары иштеп чыгууда маанилүү тоскоолдук болуп саналат.

Салттуу сандык түзүлүш-касиет байланыш моделдери, башкача айтканда QSPR, молекулалык дескрипторлорго таянат. Сереп заманбап жасалма интеллект ыкмалары физика-химиялык касиеттерди, молекулалык фрагменттер жана манжа изи маалыматтарын, кванттык-химиялык касиеттерди жана молекуланын топологиялык байланыштарын чогуу колдоно аларын түшүндүрөт.

Бул тармакта жасалма нейрон тармактары, терең нейрон тармактары, графтык нейрон тармактары жана графтык трансформер моделдери колдонулат. Молекуланын атомдору менен байланыштарын граф катары караган ыкмалар айрым тапшырмаларда белгилерди кол менен тандоо зарылдыгын азайтышы мүмкүн.

Бирок серептин маанилүү эскертүүлөрүнүн бири мындай: дарынын жалпы эригичтигин кемчиликсиз божомолдой турган AI модели азырынча жок. Химиялык класстар арасындагы маалымат тең салмаксыздыгы, ар түрдүү эксперименттик шарттар, өлчөө протоколдорунун гетерогендүүлүгү, маалымат ызы-чуусу жана стандарттык салыштыруу топтомдорунун жетишсиздиги моделдин жалпылануу мүмкүнчүлүгүн чектейт.

Татаалыраак модель ар дайым жакшыбы?

Жок. Сереп өзгөчө баса белгилеген жагдайлардын бири — татаалыраак жасалма интеллект архитектуралары ар бир маалымат топтомунда жөнөкөй моделдерден автоматтык түрдө жакшы боло бербейт. Келтирилген салыштырма изилдөөдө ылайыктуу дескрипторлор жана кылдат даярдалган маалымат колдонулганда жөнөкөй сызыктуу регрессия айрым шарттарда нейрон тармактарынан жана коммерциялык in silico моделдерден да ийгиликтүү болушу мүмкүн экени көрсөтүлгөн.

Бул мисал фармацевтикалык жасалма интеллектте моделдин татаалдыгынан көрө көйгөйдүн аныктамасы, маалыматтын сапаты, өзгөрмөлөрдү тандоо жана тышкы валидация чечүүчү болушу мүмкүн экенин көрсөтөт.

Фармакокинетикалык божомолдоо эмне үчүн маанилүү?

Дарынын бөлүштүрүлүү көлөмү, клиренси, жарым ажыроо мезгили жана плазмадагы байланышпаган фракциясы сыяктуу фармакокинетикалык касиеттер натыйжалуулукту жана коопсуздукту баалоонун негизги бөлүктөрү болуп саналат. Авторлор химиялык түзүлүш жана молекулалык касиеттерге таянып бул параметрлерди мүмкүн болушунча эрте божомолдоо клиникалык өнүктүрүүгө жеткенге чейин талапкер кошулмаларды артыкчылыктуу тандоого жардам берерин түшүндүрүшөт.

Серепте мисал катары колдонулган кеңири адамдын вена ичине берилүүчү фармакокинетикалык маалымат топтому 1.352 дарыны камтыйт. Бул маалымат топтомунда бөлүштүрүлүү көлөмү (Vd), клиренс (CL), жарым ажыроо мезгили жана плазмадагы байланышпаган фракция сыяктуу параметрлер бар.

Машиналык үйрөнүү фармакокинетикада кандай көрсөткүчтөргө жетти?

Серепте келтирилген Wang жана кесиптештеринин изилдөөсүндө колдоочу вектор машиналары, Random Forest жана gradient boosting ыкмалары эки жана үч өлчөмдүү молекулалык дескрипторлор жана манжа издери менен чогуу колдонулган. Бөлүштүрүлүү көлөмүн божомолдоодо кошулмалардын %87'и чыныгы маанинин 2 эсе ката аралыгында божомолдонгон; модель үчүн R²=0,87 жана RMSE=0,21 билдирилген.

Ошол эле изилдөөдөгү клиренс модели R²=0,88 жана RMSE=0,10 маанилерине жетип, кошулмалардын %100'ү 2 эсе ката аралыгында божомолдонгон. Ошол эле учурда сереп авторлору клиренс моделиндеги жогорку ийгилик маалымат топтомунун төмөн клиренстүү кошулмалар тарапка бир жактуу бөлүштүрүлүшүнөн жарым-жартылай таасир алган болушу мүмкүн экенин өзгөчө белгилешет.

Башка фармакокинетикалык мисалдар эмнени көрсөтөт?

Сереп бир гана натыйжага таянбайт; ар кандай изилдөө топторунан көптөгөн мисалдарды келтирет. Адамдын бөлүштүрүлүү көлөмүн түздөн-түз машиналык үйрөнүү менен божомолдогон башка ыкмада кошулмалардын %75'и 3 эсе ката аралыгында туура божомолдонуп, R²=0,5 билдирилген.

Жаныбарлардын маалыматтарын адам клиренсин божомолдоодо колдонгон изилдөөдө кошулмалардын %49'у 2 эсе ката аралыгында туура божомолдонгон. Ошол эле изилдөө тобунун кийинчерээк болжол менен 750 кошулманы камтыган эмгегинде адам клиренси үчүн %67, бөлүштүрүлүү көлөмү үчүн %71 деңгээлинде 2 эсе ката аралыгындагы божомол ийгилиги келтирилет.

Башка бир изилдөөдө болжол менен 1.000 клиникалык кошулма боюнча Random Forest моделдери иштелип чыккан. Ооз аркылуу берилгенден кийинки эң жогорку концентрация (Cmax) моделинде R²=0,68, RMSE=0,62 жана 3 эсе ката аралыгында %58 тактык; бөлүштүрүлүү көлөмү үчүн R²=0,47, RMSE=0,50 жана 3 эсе ката аралыгында %68 тактык билдирилген.

Трансфердик үйрөнүү менен көп тапшырмалуу үйрөнүүнү бириктирген башка терең үйрөнүү ыкмасы 30 миллиондон ашык биологиялык активдүүлүк маалымат чекити менен алдын ала үйрөтүлгөндөн кийин 1.104 FDA тарабынан бекитилген кичине молекулада төрт фармакокинетикалык параметрди божомолдоо үчүн колдонулган. Серепте ооз аркылуу биожеткиликтүүлүк үчүн орточо абсолюттук ката (MAE) 0,31, бөлүштүрүлүү көлөмү үчүн MAE 0,17 деп берилет.

Бул натыйжалар бир эле эксперименттин кайталоолору эмес. Маалымат топтомдору, максаттуу параметрлер, ката аныктамалары жана модель архитектуралары айырмалангандыктан, сандарды түздөн-түз “AI рейтинги” түзгөндөй салыштыруу илимий жактан туура эмес.

Фармакокинетикалык ийри сызыктарды да божомолдоого болобу?

Серепке ылайык, жасалма интеллект колдонмолору бир гана клиренс же бөлүштүрүлүү көлөмүнүн маанисин божомолдоодон убакыттын өтүшү менен өзгөргөн дары концентрациясынын ийри сызыктарын моделдөөгө карай өнүгүүдө. Кайталануучу нейрон тармактары (RNN) жана Узак-Кыска Мөөнөттүү Эс тутум тармактары (LSTM) бир калыпта эмес үлгүлөнгөн фармакокинетикалык убакыт катарларын иштетүүдө колдонулушу мүмкүн.

Neural Ordinary Differential Equation, башкача айтканда нейрондук кадимки дифференциалдык теңдеме моделдери үзгүлтүксүз убакыт динамикасын дифференциалдык теңдеме түзүмү менен нейрон тармактарынын ичинде бириктирүүгө багытталган. Авторлор маалыматка негизделген моделдер менен механисттик фармакокинетикалык моделдерди бириктирүүнү физиологиялык маанилүүлүк жана тышка өткөрүлүү мүмкүнчүлүгү жагынан маанилүү өнүгүү багыты катары көрсөтүшөт.

AI дары формуляциясына кандай таасир берет?

Дозалоо формасы дарыны берүү жолуна; берүү жолу болсо сиңүү жана бөлүштүрүлүү жүрүм-турумуна таасир этет. Серепте жасалма нейрон тармактары, бүдөмүк логика жана генетикалык алгоритмдер өзгөчө катуу дозалоо формаларын формуляциялоодо колдонулган ыкмалардын арасында экени белгиленет.

Формуляция активдүү зат менен көмөкчү заттардын катышынан гана турбай турганы; бул компоненттердин кандай иштетилиши акыркы продуктунун касиеттерин да аныктай турганы баса белгиленет. Компоненттер арасындагы татаал физика-химиялык байланыштардан улам жасалма интеллект формуляция кириштери менен эрүү, бөлүнүп чыгуу жана башка продукт касиеттеринин ортосундагы байланыштарды үйрөнүү үчүн колдонулат.

Серепте көзөмөлдөнгөн бөлүнүп чыгуудагы декскетопрофен таблеткаларынын эрүү процессин божомолдогон жасалма нейрон тармагы, моксифлоксацин ооздо таралуучу таблеткаларын оптималдаштыруу жана ар кандай шарттарда чыгарылган 37 узартылган бөлүнүп чыгуу таблеткасынын эрүү ийри сызыгын божомолдоо сыяктуу мисалдар келтирилет.

Биожеткиликтүүлүктү божомолдоодо жасалма интеллекттин ролу кандай?

Биожеткиликтүүлүк — дарынын системалык кан айланууга жетүү ылдамдыгын жана көлөмүн билдирет. Ооз аркылуу берилүүчү дарыларда тамак-аштын таасири, молекулалык касиеттер, эригичтик жана өткөрүмдүүлүк бул процесске таасир этиши мүмкүн.

Серепте 1.448 молекуладан турган маалымат топтому менен иштелип чыккан ооз аркылуу биожеткиликтүүлүк моделдери мисал катары берилет. Биожеткиликтүүлүктү %50 чегинен жогору же төмөн деп классификациялаган моделдердин арасында ensemble ыкмасы %78 тактыкка жеткени келтирилген. Ошол эле маалымат топтомунда кийин %20 жана %50 чектери менен иштелип чыккан Random Forest моделдеринде тактык көрсөткүчтөрү %78–82 аралыгында экени айтылат.

Бул классификация ийгиликтери дарынын клиникалык жактан натыйжалуу же коопсуз экенин түздөн-түз көрсөтпөйт. Биожеткиликтүүлүк дары иштеп чыгуудагы көптөгөн параметрлердин бирөөсү гана.

Жекече дозалоодо кайсы маалыматтарды колдонсо болот?

Сереп так дозалоо системаларында генетикалык маркерлер, жаш, жыныс, дене салмагы, бөйрөк жана боор функциясы, клиникалык өлчөөлөр жана жашоо образы сыяктуу ар кандай маалымат түрлөрүн бир божомолдоо алкагында бириктирүүгө болорун түшүндүрөт.

Мисалы, CYP450 ферменттериндеги генетикалык айырмачылыктар дарынын метаболизм ылдамдыгына таасир этиши мүмкүн. Авторлор караган ыкмада максат бейтаптын өзгөчөлүктөрүн фармакокинетикалык жана фармакодинамикалык өзгөрмөлөр менен байланыштырып, калк деңгээлиндеги стандарттык дозалардан жекелештирилген божомолдорго өтүү болуп саналат.

Бирок сереп мындай AI божомолу өзүнөн өзү бейтапка бериле турган дозаны аныктаган клиникалык далил болуп саналат деген жыйынтыкты колдобойт. Модель валидациясы, клиникалык контекст жана адистин баалоосу өзүнчө талаптар болуп саналат.

Фармацевтикалык өндүрүштө AI кайда колдонулат?

Авторлор фармацевтикалык өндүрүштө жасалма интеллект критикалык материал касиеттерин, критикалык процесс параметрлерин жана критикалык сапат касиеттерин көзөмөлдөөдө; процесс параметрлерин божомолдоодо жана Quality by Design ыкмасын колдоодо колдонулушу мүмкүн экенин билдиришет.

Серептин 3-бетиндеги Таблица 1 QSAR менен машиналык үйрөнүүнү, жасалма нейрон тармактарын, терең нейрон тармактарын, графтык нейрон тармактарын, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning жана механисттик-AI гибрид моделдерин ар кандай фармацевтикалык тапшырмалар менен байланыштырган.

Таблицадагы “жогорку, орточо жана төмөн” тактык/натыйжалуулук класстары абсолюттук көрсөткүчтөр эмес экени өзгөчө белгиленет. Алар адабиятта адатта билдирилген салыштырмалуу натыйжалуулукту жалпылаган сапаттык классификациялар.

Кайсы маалымат булактары өзгөчөлөнөт?

Серептин 4-бетиндеги Таблица 2 жасалма интеллект колдогон фармацевтикалык изилдөөлөрдө колдонулушу мүмкүн болгон маалымат булактарын эки негизги муктаждыкка бөлөт: фармакокинетикалык/бейтап маалыматтары жана өндүрүш/процесс маалыматтары.

Бул тизме сереп авторлору фармацевтикалык AI үчүн өкүлчүлүктүү мисал катары сунуштаган маалымат булактарын жалпылайт; таблицанын өзү бул маалымат базаларынын сапатын же белгилүү AI модели үчүн жетиштүүлүгүн тастыктаган эксперименттик салыштыруу эмес.

3D дары басып чыгаруу менен жасалма интеллект кантип айкалышат?

Серепте үч өлчөмдүү дары басып чыгаруу жекече фармацевтикалык продуктуларды жана ар башка доза же бөлүнүп чыгуу касиеттерине ээ түзүмдөрдү өндүрүү жагынан маанилүү тармак катары каралат. Бул жерде жасалма интеллект басып чыгаруу параметрлерин, формуляциянын басып чыгарууга жарамдуулугун жана сапатты көзөмөлдөө өзгөрмөлөрүн божомолдоо үчүн колдонулушу мүмкүн экени айтылат.

Мисал катары берилген M3DISEEN аттуу веб-негиздеги система үчүн 614 дары жүктөлгөн формуляциядан турган маалымат топтому менен машиналык үйрөнүү модели үйрөтүлүп, FDM негизиндеги 3D дары басып чыгарууда маанилүү өндүрүш параметрлери божомолдонгону көрсөтүлгөн.

Жасалма интеллект 3D басып чыгарылган микроийнелердин геометриялык жана функциялык касиеттерин божомолдоодо да колдонулушу мүмкүн экени айтылат. Ошол эле учурда сереп 3D дары өндүрүшүндө материалдын илээшкектиги, соплонун диаметри, басып чыгаруу ылдамдыгы жана чийки заттын сапатындагы өзгөрүүлөр продукттун бир тектүүлүгүнө жана дарынын бөлүнүп чыгышына таасир этиши мүмкүн экенин баса белгилейт.

Микрофлюиддик системаларда AI эмне берет?

Микрофлюиддик реакторлор кичине көлөмдөрдө так агым көзөмөлүн, тез жылуулук жана масса өткөрүүнү жана онлайн талдоону камсыздай алат. Серепте жасалма интеллект көптөгөн процесс өзгөрмөлөрүн чогуу баалап, нанобөлүкчө өндүрүшүн оптималдаштырууда колдонулушу мүмкүн экени белгиленет.

Мисал изилдөөлөрдүн биринде адаптивдүү үлгүлөө алгоритми белгилүү эмиссия касиеттерине ээ нанокристаллдар үчүн реагент концентрацияларын аныктоону тездетүү максатында микрофлюиддик платформага интеграцияланган. Башка изилдөөдө болсо ар кандай процесс параметрлери өзгөртүлүп 200'дөн ашык липосома синтезделген жана AI модели липосомалардын туруктуулугун божомолдоо үчүн үйрөтүлгөн.

Электроформалоо тармагында эмне изилденет?

Электроформалоо — нано жана микро масштабда була өндүрүүгө мүмкүндүк берген ыкма. Чыңалуу, агым ылдамдыгы, ийне-коллектор аралыгы, эритменин концентрациясы, илээшкектик, өткөрүмдүүлүк жана эриткичтин түрү сыяктуу көптөгөн өзгөрмөлөр акыркы була касиеттерине таасир этиши мүмкүн.

Серепте куркумин жүктөлгөн нанобулалардын өндүрүш параметрлерин жана физика-химиялык касиеттерин баалоо үчүн жасалма интеллект колдонулган изилдөө мисал катары берилет. Бул жердеги AI функциясы көп өзгөрмөлүү процесс мейкиндигиндеги байланыштарды үйрөнүп, өндүрүш параметрлери менен продукт касиеттеринин ортосундагы байланыштарды божомолдоо болуп саналат.

Жасалма интеллекттин алдындагы негизги тоскоолдуктар кайсылар?

Сереп беш негизги кыйынчылык чөйрөсүн аныктайт:

1. Маалыматтын сапаты, жеткиликтүүлүгү жана стандартташтыруу: Клиникалык изилдөөлөрдөн, электрондук саламаттык сактоо жазууларынан жана лабораториялардан алынган маалыматтар ар башка форматтарда жана ар кандай сапат деңгээлдеринде болушу мүмкүн.
2. Түшүндүрмөлүүлүк жана ачыктык: Айрыкча терең үйрөнүү моделдеринин чечим механизмин түшүнүү кыйын болгону илимий жана жөнгө салуучу ишенимди чектеши мүмкүн.
3. Учурдагы иш агымдарына интеграция: Фармацевтикалык ИКТ жана өндүрүш процесстери жөнгө салынган протоколдордо жүргүзүлгөндүктөн, AI системаларын учурдагы инфраструктурага кошуу техникалык маселе гана эмес.
4. Дисциплиналар аралык адистик жетишсиздиги: Фармакокинетиканы, формуляция илимин, маалымат илимин жана AI инженериясын бирге түшүнгөн командалар талап кылынары белгиленет.
5. Эсептөө жана инфраструктура талаптары: Өркүндөтүлгөн моделдер жогорку өндүрүмдүү эсептөө жана чоң маалымат сактоо инфраструктурасын талап кылышы мүмкүн.

Авторлор ошондой эле окутуу маалыматтарындагы демографиялык тең салмаксыздыктар айрым бейтап топторунда төмөнүрөөк көрсөткүчтөргө жана саламаттык сактоодогу теңсиздиктердин күчөшүнө алып келиши мүмкүн экенин эскертишет.

Өндүрүштө жөнгө салуучу көйгөй эмне үчүн маанилүү?

Сереп жарыяланган контекстте авторлор жасалма интеллект колдогон фармацевтикалык 3D басып чыгаруу жана микрофлюиддик өндүрүш үчүн комплекстүү, глобалдык жана шайкеш келтирилген жөнгө салуучу стандарт жок экенин билдиришет. Айрыкча чийки зат касиеттерин, басып чыгаруу параметрлерин, кийинки иштетүү көзөмөлдөрүн, модель валидациясын жана продукт сапаты боюнча күтүүлөрдү так аныктоо керектигин жакташат.

Демек техникалык жактан жогорку тактык берген моделдин болушу AI колдогон дары өндүрүш процесси автоматтык түрдө жөнгө салуучу жактырууга ээ болот дегенди билдирбейт.

Изилдөө колдогон жыйынтыктар

• AI жана машиналык үйрөнүү фармацевтика илимдеринде эригичтиктен фармакокинетикага, формуляциядан өндүрүшкө чейин кеңири колдонулат.
• Айрым жакшы аныкталган маалымат топтомдорунда фармакокинетикалык параметрлер үчүн жогорку божомолдоо көрсөткүчтөрү билдирилген.
• AI көп өзгөрмөлүү формуляция жана өндүрүш көйгөйлөрүндө параметрлер арасындагы татаал байланыштарды моделдөө үчүн колдонулат.
• 3D дары басып чыгаруу, микрофлюиддик синтез жана электроформалоо сыяктуу өркүндөтүлгөн өндүрүш ыкмалары AI негизиндеги оптималдаштыруу үчүн изилденип жаткан тармактар.
• Маалымат сапаты, моделдин түшүндүрмөлүүлүгү, өткөрүлмөлүүлүк жана жөнгө салуучу шайкештик AIнин фармацевтикалык колдонулушунун критикалык чектөөлөрү болуп саналат.

Изилдөө колдобогон же далилдебеген жыйынтыктар

• Жасалма интеллект ар бир фармацевтикалык көйгөйдө салттуу ыкмалардан ийгиликтүүрөөк экени көрсөтүлгөн эмес.
• Серепте берилген ар кандай моделдин ийгилик көрсөткүчтөрү бирдиктүү жалпы маалымат топтомунда салыштырылган эмес.
• AI божомолдору адам адиси жок клиникалык чечимдерди коопсуз бере алары көрсөтүлгөн эмес.
• AI колдогон жекелештирилген дозалоо бардык бейтап топторунда коопсуз же артыкчылыктуу экени далилденген эмес.
• 3D басып чыгарылган дарылар AI колдонулгандыктан автоматтык түрдө коопсузураак, натыйжалуураак же жөнгө салуучу жактан кабыл алынуучу деп жыйынтык чыгарууга болбойт.
• Сереп жаңы клиникалык сыноо, жаңы дары формуляциясы же жаңы өндүрүш процесси иштеп чыккан эмес.
• Изилдөө системалуу сереп же мета-анализ болбогондуктан, бардык адабияттын сандык бириктирилген таасирин бербейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөөнүн илимий дизайны

Булак сереп макаласы. Авторлор жасалма интеллект жана башка өркүндөтүлгөн технологиялардын фармацевтикалык өнөр жайдагы колдонмолорун; дарынын эригичтигин жана фармакокинетиканы божомолдоо, дозалоо формасын долбоорлоо, формуляцияны оптималдаштыруу, биожеткиликтүүлүк, жекелештирилген дозалоо жана фармацевтикалык өндүрүш багыттарында баалашкан.

Текстте системалуу адабият издөөсүнө мүнөздүү маалымат базасын издөө саптары, башталыш жана аяктоо даталары, киргизүү/чыгаруу критерийлери, кош баалоочу процесси, PRISMA агым диаграммасы, сапатты упайлоо же мета-анализ ыкмасы билдирилген эмес. Ошондуктан изилдөө системалуу сереп же мета-анализ катары эмес, кеңири камтылган баяндоочу сереп катары бааланышы керек.

Серепте өзгөчөлөнгөн сандык мисалдар

Таблица 1дин илимий билдирүүсү

Булактын 3-бетиндеги Таблица 1 фармацевтикада жалгыз “эң жакшы AI алгоритми” жок экенин көрсөтөт. QSAR+ML, ANN, DNN, GNN, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning жана механисттик-AI гибрид моделдери ар башка көйгөйлөрдө колдонулат.

Таблицада көрсөткүч “H”, “M” жана “L” түрүндө жогорку, орточо жана төмөн деп жалпыланган. Булактагы эскертүүдө бул деңгээлдер адабиятта адатта билдирилген салыштырмалуу божомол тактыгына жана эсептөө натыйжалуулугуна негизделери; абсолюттук өлчөмдөр эмес экени так көрсөтүлгөн.

Таблица 2нин илимий билдирүүсү

4-беттеги Таблица 2 жасалма интеллекттин фармацевтикалык колдонмолорунда модель архитектурасы сыяктуу эле маалымат инфраструктурасы да чечүүчү экенин көрсөтөт. Бейтап деңгээлиндеги фармакокинетикалык жана дарыга жооп маалыматтары так дозалоо жана таасирленүүнү божомолдоо үчүн; материал жана процесс деңгээлиндеги маалыматтар формуляция жана өндүрүштү оптималдаштыруу үчүн колдонулат.

Авторлордун таблицада эл аралык да, Кытайга мүнөздүү да маалымат булактарын келтириши ар кандай популяциялардын жана жөнгө салуучу чөйрөлөрдүн маалыматта өкүлчүлүгү маанилүү деп эсептелерин көрсөтөт.

Негизги методологиялык чектөөлөр

• Сереп системалуу адабият издөө протоколун билдирбейт.
• Келтирилген модель натыйжалары ар башка маалымат топтомдорунан жана көрсөткүч өлчөмдөрүнөн келгендиктен, аларды түздөн-түз артыкчылык боюнча тизүүгө болбойт.
• Серептеги айрым көрсөткүчтөр экинчи булактардан алынган жана бул макалада кайра эсептелген эмес.
• AI моделдеринин маалымат бөлүштүрүлүшү өзгөргөндө тышкы жарактуулугу өзүнчө текшерилиши керек.
• Моделдин түшүндүрмөлүүлүгү, демографиялык маалыматтагы бир жактуулук жана стандартташтыруу көйгөйлөрү клиникалык жана өндүрүш колдонмолорун чектеши мүмкүн.
• Булактар тизмесинин 96-беренесинде “Pharmaceutics 20123” түрүндө библиографиялык жактан бузулгандай көрүнгөн сөз айкашы бар; бул жерде унчукпай оңдолгон эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригиналдуу эмгектин аталышы: Harnessing the Power of Artificial Intelligence for Pharmaceutics: From Pharmacokinetics Prediction, Formulation, to Manufacturing

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

Тең салым: Yuqing Pan, Ruyue Mi жана Wei Bian булакта тең салым кошкондор катары белгиленген.

Жооптуу автор: Buyong Ma.

Мекеме: 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

Журнал: Pharmaceutical Fronts.

Том / сан / беттер: 8(1), e1–e11.

Басмакана: Georg Thieme Verlag KG.

Булактын түрү жана рецензия абалы: Рецензияланган сереп макала.

Жөнөтүлгөн күнү: 14 Февраль 2024.

Кабыл алынган күнү: 16 Январь 2026.

Онлайн жарыяланган күнү: 27 Февраль 2026.

ISSN: 2628-5088.

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

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

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.

Маалымат жеткиликтүүлүгү: Булакта өзүнчө маалымат жеткиликтүүлүгү жөнүндө билдирүү жок.

CRediT/автордук салымдар: Булакта өзүнчө CRediT же жекече автордук салым бөлүмү жок.

Булак ичиндеги библиографиялык эскертүү

Булактар тизмесинин 96-беренесинде жарыя маалыматы “Pharmaceutics 20123” түрүндө көрүнөт. Бул сөз айкашы библиографиялык жактан шайкеш эмес көрүнгөнү менен, баштапкы текстке берилгендик талабынан улам унчукпай оңдолгон эмес.

Илимий ыкма жана чечмелөө чеги

Бул булак жаңы эксперименттик, жаныбар, клиникалык же өндүрүш маалыматын жараткан изилдөө эмес. Ал фармацевтикалык жасалма интеллект адабиятындагы мисалдарды бириктирген баяндоочу сереп. Серепте келтирилген модель тактыктары, R², RMSE, MAE жана ката аралыгынын үлүштөрү тиешелүү оригиналдуу изилдөөлөрдүн натыйжалары; Pan жана анын кесиптештери кайра жүргүзгөн көз карандысыз эксперименттер эмес.

Текстте системалуу издөө протоколу, PRISMA агым схемасы, алдын ала аныкталган киргизүү/чыгаруу критерийлери же мета-анализ жок болгондуктан, изилдөө бардык адабият үчүн сандык бириктирилген таасир баасын бербейт.

Бул Verianla макаласындагы илимий мазмун жүктөлгөн серепке негизделет. Тышкы булактар библиографиялык жарыя идентификациясын жана журналдын рецензияланган статусун текшерүү үчүн гана колдонулган; сырттан жаңы фармацевтикалык табылга, клиникалык натыйжа же модель көрсөткүчү кошулган эмес.