Mapitio ya Yuqing Pan na wenzake yanachunguza jinsi akili bandia na ujifunzaji wa mashine vinavyotumiwa katika sayansi ya famasia si tu kutafuta molekuli mpya, bali pia kutabiri umumunyifu na famakokinetiki ya dawa, kuboresha aina za dozi na fomulesheni, kutabiri upatikanaji wa kibayolojia, kusaidia maamuzi ya dozi yanayobinafsishwa, na kuendeleza teknolojia za utengenezaji kama uchapishaji wa dawa wa 3D, mifumo ya mikrofluidiki na electrospinning. Tafiti zilizowasilishwa katika mapitio zinaonyesha kuwa utendaji wa juu wa utabiri unaweza kufikiwa katika baadhi ya seti za data zilizofafanuliwa vizuri, huku waandishi wakisisitiza ubora wa data, usanifishaji, uwezo wa kueleza modeli, kutokuwa na uhakika wa udhibiti, uhamishikaji kati ya taasisi na miundombinu ya kompyuta kama vikwazo vikuu. Kwa hiyo, utafiti unasema kuwa akili bandia inaweza kuwa zana yenye nguvu ya kusaidia maamuzi na uboreshaji katika maendeleo ya famasia; hata hivyo, hauonyeshi kwamba modeli za AI zinachukua nafasi ya uthibitishaji wa majaribio, kliniki au wa udhibiti.

Kwa mtazamo wa Uturuki, ujumbe muhimu zaidi wa mapitio ni kwamba haiwezi kudhaniwa kuwa mifumo ya famasia inayotegemea akili bandia inaweza kuingizwa moja kwa moja na kufanya kazi kwa utendaji uleule. Muundo wa data za kliniki, demografia ya wagonjwa, mgawanyo wa kijenetiki, mifumo ya taarifa za hospitali, miundombinu ya utengenezaji wa dawa, malighafi zinazotumiwa na mahitaji ya udhibiti yanaweza kutofautiana kulingana na nchi na taasisi. Kwa hiyo, modeli zitakazotumiwa nchini Uturuki kwa utabiri wa famakokinetiki, dozi sahihi au utengenezaji mahiri zinapaswa kuthibitishwa kwa data za eneo husika; ubora wa data, haki ya uwakilishi na ulinganifu wa udhibiti pia vinapaswa kutathminiwa kando.

Tatizo kuu katika maendeleo ya famasia ni nini?

Maendeleo ya dawa yanahitaji kutathmini kwa pamoja idadi kubwa ya vigezo vinavyoathiriana, kama famakodinamiki, famakokinetiki, sumu, fomulesheni na uwezekano wa kutengenezwa. Waandishi wa mapitio wanasisitiza kwamba mbinu zinazotegemea kuboresha sifa moja pekee zinaweza kutotosha kutabiri kikamilifu tabia ya kiwanja kinachochunguzwa ndani ya mwili wa binadamu.

Famakokinetiki hurejelea michakato inayojumuisha ufyonzwaji, usambazaji, umetaboli na utolewaji wa dawa baada ya kuingia mwilini. Maeneo haya manne kwa kawaida hutambulishwa kwa kifupi ADME. Kwa mtazamo wa maendeleo ya famasia, tatizo si tu kwamba molekuli iwe na ufanisi; dawa pia inapaswa kuyeyuka kwa kiasi kinachofaa, kufikia eneo lengwa, kubaki katika mkusanyiko unaofaa kwa muda unaohitajika na kubaki ndani ya mipaka inayokubalika ya usalama.

Akili bandia hufanya nini katika utabiri wa umumunyifu?

Mapitio yanaeleza kuwa takribani %40' ya dawa zilizo sokoni zina umumunyifu mdogo katika maji; na katika uchunguzi wa kiwango cha juu, tatizo la umumunyifu mdogo linaweza kuonekana katika takribani %70–90' ya viambato hai vipya vinavyotambuliwa. Kwa kuwa umumunyifu mdogo unaweza kuzuia ufyonzwaji na upatikanaji wa kibayolojia, ni kikwazo muhimu katika maendeleo ya dawa.

Modeli za jadi za uhusiano wa kiasi kati ya muundo na sifa, yaani QSPR, hutegemea vielezi vya molekuli. Mapitio yanaeleza kuwa mbinu za kisasa za akili bandia zinaweza kutumia kwa pamoja sifa za kifisikokemia, taarifa za vipande vya molekuli na alama za vidole, sifa za kemia ya kwanta na miunganisho ya kitopolojia ya molekuli.

Katika eneo hili hutumiwa mitandao ya neva bandia, mitandao ya neva ya kina, mitandao ya neva ya grafu na modeli za transfoma za grafu. Mbinu zinazochukulia atomi na vifungo vya molekuli kama grafu zinaweza kupunguza hitaji la kuchagua sifa kwa mkono katika baadhi ya kazi.

Hata hivyo, mojawapo ya tahadhari muhimu za mapitio ni hii: bado hakuna modeli ya AI inayotabiri kikamilifu umumunyifu wa jumla wa dawa. Kutokuwiana kwa data kati ya makundi ya kemikali, hali tofauti za majaribio, utofauti wa itifaki za vipimo, kelele katika data na ukosefu wa seti sanifu za kulinganisha huzuia uwezo wa modeli kujumlisha matokeo.

Je, modeli changamano zaidi huwa bora kila wakati?

Hapana. Mojawapo ya mambo ambayo mapitio yanasisitiza hasa ni kwamba usanifu changamano zaidi wa akili bandia hauzidi moja kwa moja modeli rahisi katika kila seti ya data. Katika utafiti wa kulinganisha uliowasilishwa, imeelezwa kuwa wakati vielezi vinavyofaa na data zilizoandaliwa kwa uangalifu zinapotumiwa, regresha rahisi ya mstari inaweza katika baadhi ya hali kufanya vizuri zaidi kuliko mitandao ya neva na modeli za kibiashara za in silico.

Mfano huu unaonyesha kwamba katika akili bandia ya famasia, ufafanuzi wa tatizo, ubora wa data, uteuzi wa vigezo na uthibitishaji wa nje vinaweza kuwa muhimu zaidi kuliko uchangamano wa modeli.

Kwa nini utabiri wa famakokinetiki ni muhimu?

Sifa za famakokinetiki za dawa, kama ujazo wa usambazaji, kibali, nusu-uhai na sehemu isiyofungamana katika plazma, ni vipengele vya msingi vya tathmini ya ufanisi na usalama. Waandishi wanaeleza kwamba kutabiri vigezo hivi mapema iwezekanavyo kwa kutumia muundo wa kemikali na sifa za molekuli kunaweza kusaidia kupanga kipaumbele cha viambato vinavyotarajiwa kabla havijafikia maendeleo ya kliniki.

Seti kubwa ya data za famakokinetiki za binadamu kwa njia ya mshipa iliyotumiwa kama mfano katika mapitio ina dawa 1.352. Seti hii ya data ina vigezo kama ujazo wa usambazaji (Vd), kibali (CL), nusu-uhai na sehemu isiyofungamana katika plazma.

Ujifunzaji wa mashine ulifikia utendaji gani katika famakokinetiki?

Katika utafiti wa Wang na wenzake uliowasilishwa katika mapitio, support vector machines, Random Forest na mbinu za gradient boosting zilitumiwa pamoja na vielezi vya molekuli vya pande mbili na tatu na alama za vidole. Katika utabiri wa ujazo wa usambazaji, %87' ya viambato vilitabiriwa ndani ya kiwango cha hitilafu cha mara 2 ya thamani halisi; R²=0,87 na RMSE=0,21 ziliripotiwa kwa modeli.

Modeli ya kibali katika utafiti huo huo ilifikia R²=0,88 na RMSE=0,10, huku %100' ya viambato vikitabiriwa ndani ya kiwango cha hitilafu cha mara 2. Hata hivyo, waandishi wa mapitio wanaeleza hasa kwamba mafanikio ya juu ya modeli ya kibali yanaweza kuwa yameathiriwa kwa sehemu na mgawanyo wenye upendeleo wa seti ya data kuelekea viambato vyenye kibali cha chini.

Mifano mingine ya famakokinetiki inaonyesha nini?

Mapitio hayatokani na matokeo moja tu ya utendaji; yanaonyesha mifano mingi kutoka kwa vikundi tofauti vya utafiti. Katika mbinu nyingine iliyotabiri moja kwa moja ujazo wa usambazaji kwa binadamu kwa kutumia ujifunzaji wa mashine, %75' ya viambato vilitabiriwa kwa usahihi ndani ya kiwango cha hitilafu cha mara 3 na R²=0,5 iliripotiwa.

Katika utafiti uliotumia data za wanyama kutabiri kibali cha binadamu, %49' ya viambato vilitabiriwa kwa usahihi ndani ya kiwango cha hitilafu cha mara 2. Katika utafiti wa baadaye wa kikundi hicho hicho uliokuwa na takribani viambato 750, mafanikio ya utabiri ndani ya kiwango cha hitilafu cha mara 2 yaliripotiwa kuwa %67 kwa kibali cha binadamu na %71 kwa ujazo wa usambazaji.

Katika utafiti mwingine, modeli za Random Forest zilitengenezwa kwa takribani viambato 1.000 vya kliniki. Katika modeli ya mkusanyiko wa juu zaidi (Cmax) baada ya matumizi ya mdomo, R²=0,68, RMSE=0,62 na usahihi wa %58 ndani ya kiwango cha hitilafu cha mara 3 uliripotiwa; kwa ujazo wa usambazaji, R²=0,47, RMSE=0,50 na usahihi wa %68 ndani ya kiwango cha hitilafu cha mara 3 uliripotiwa.

Mbinu tofauti ya ujifunzaji wa kina inayochanganya transfer learning na ujifunzaji wa kazi nyingi ilifanyiwa mafunzo ya awali kwa zaidi ya nukta milioni 30 za data za shughuli za kibayolojia, kisha ikatumika kutabiri vigezo vinne vya famakokinetiki katika molekuli ndogo 1.104 zilizoidhinishwa na FDA. Mapitio yanaripoti kosa la wastani la thamani kamili (MAE) la 0,31 kwa upatikanaji wa kibayolojia wa mdomo na MAE ya 0,17 kwa ujazo wa usambazaji.

Matokeo haya si marudio ya jaribio lilelile. Kwa kuwa seti za data, vigezo lengwa, ufafanuzi wa hitilafu na usanifu wa modeli hutofautiana, si sahihi kisayansi kulinganisha namba moja kwa moja kana kwamba zinaunda “orodha ya AI”.

Je, mikondo ya famakokinetiki pia inaweza kutabiriwa?

Kulingana na mapitio, matumizi ya akili bandia yanaendelea kutoka kutabiri thamani moja ya kibali au ujazo wa usambazaji hadi kuunda modeli za mikondo ya mkusanyiko wa dawa inayobadilika kwa muda. Mitandao ya neva inayojirudia (RNN) na mitandao ya Long Short-Term Memory (LSTM) inaweza kutumiwa kuchakata mfululizo wa muda wa famakokinetiki uliosampuliwa bila mpangilio sawa.

Neural Ordinary Differential Equation, yaani modeli za milinganyo tofauti ya kawaida ya kineva, hulenga kuunganisha mienendo ya muda endelevu na muundo wa mlinganyo tofauti ndani ya mitandao ya neva. Waandishi wanaonyesha kuwa kuchanganya modeli zinazoendeshwa na data na modeli za kimakanika za famakokinetiki ni mwelekeo muhimu wa maendeleo kwa upande wa maana ya kifiziolojia na uhamishikaji wa nje.

AI inaathirije fomulesheni ya dawa?

Aina ya dozi huathiri njia ya utoaji wa dawa; njia ya utoaji nayo huathiri ufyonzwaji na tabia ya usambazaji. Mapitio yanaeleza kuwa mitandao ya neva bandia, mantiki yenye ukungu na algoriti za kijenetiki ni miongoni mwa mbinu zinazotumiwa hasa katika fomulesheni ya aina za dozi imara.

Inasisitizwa kuwa fomulesheni si uwiano wa kiambato hai na viambato saidizi pekee; namna vipengele hivi vinavyochakatwa pia huamua sifa za bidhaa ya mwisho. Kwa sababu ya mahusiano changamano ya kifisikokemia kati ya vipengele, akili bandia hutumiwa kujifunza uhusiano kati ya pembejeo za fomulesheni na umumunyifu, utoaji na sifa nyingine za bidhaa.

Mapitio yanatoa mifano kama mtandao wa neva bandia unaotabiri umumunyifu wa vidonge vya dexketoprofen vya utoaji unaodhibitiwa, uboreshaji wa vidonge vya moxifloxacin vinavyosambaratika mdomoni, na utabiri wa mkondo wa umumunyifu wa vidonge 37 vya utoaji uliorefushwa vilivyotengenezwa katika hali tofauti.

Ni nini nafasi ya akili bandia katika kutabiri upatikanaji wa kibayolojia?

Upatikanaji wa kibayolojia hurejelea kasi na kiasi ambacho dawa hufikia mzunguko wa damu wa kimfumo. Katika dawa za mdomo, athari ya chakula, sifa za molekuli, umumunyifu na upenyezaji vinaweza kuathiri mchakato huu.

Mapitio yanatoa mfano wa modeli za upatikanaji wa kibayolojia wa mdomo zilizotengenezwa kwa seti ya data yenye molekuli 1.448. Kati ya modeli zinazotenganisha upatikanaji wa kibayolojia kuwa juu au chini ya kizingiti cha %50, mbinu ya ensemble iliripotiwa kufikia usahihi wa %78. Katika modeli za Random Forest zilizotengenezwa baadaye kwenye seti hiyo hiyo ya data kwa kutumia vizingiti vya %20 na %50, viwango vya usahihi viliripotiwa kuwa kati ya %78–82.

Mafanikio haya ya uainishaji hayaonyeshi moja kwa moja kwamba dawa ina ufanisi au ni salama kliniki. Upatikanaji wa kibayolojia ni moja tu ya vigezo vingi katika maendeleo ya dawa.

Ni data gani zinaweza kutumiwa katika dozi inayobinafsishwa?

Mapitio yanaeleza kuwa katika mifumo ya dozi sahihi, aina tofauti za data kama viashiria vya kijenetiki, umri, jinsia, uzito wa mwili, utendaji wa figo na ini, vipimo vya kliniki na mtindo wa maisha zinaweza kuunganishwa katika mfumo mmoja wa utabiri.

Kwa mfano, tofauti za kijenetiki katika vimeng'enya vya CYP450 zinaweza kuathiri kasi ya umetaboli wa dawa. Katika mbinu iliyojadiliwa na waandishi, lengo ni kuhusisha sifa za mgonjwa na vigezo vya famakokinetiki na famakodinamiki ili kuendelea kutoka dozi sanifu za kiwango cha idadi ya watu hadi utabiri uliobinafsishwa.

Hata hivyo, mapitio hayaungi mkono hitimisho kwamba utabiri kama huo wa AI peke yake ni ushahidi wa kliniki unaoamua dozi itakayompewa mgonjwa. Uthibitishaji wa modeli, muktadha wa kliniki na tathmini ya mtaalamu ni mahitaji tofauti.

AI inaingia wapi katika utengenezaji wa famasia?

Waandishi wanaeleza kuwa katika utengenezaji wa famasia, akili bandia inaweza kutumiwa kufuatilia sifa muhimu za malighafi, vigezo muhimu vya mchakato na sifa muhimu za ubora; kutabiri vigezo vya mchakato na kuunga mkono mbinu ya Quality by Design.

Jedwali 1 katika ukurasa wa 3 wa mapitio linaoanisha QSAR pamoja na ujifunzaji wa mashine, mitandao ya neva bandia, mitandao ya neva ya kina, mitandao ya neva ya grafu, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning na modeli mseto za kimakanika-AI na kazi mbalimbali za famasia.

Imeelezwa wazi kwamba madaraja ya usahihi/ufanisi ya “juu, kati na chini” katika jedwali si vipimo kamili vya utendaji. Ni uainishaji wa kimaelezo unaofupisha utendaji wa kulinganisha unaoripotiwa kwa kawaida katika fasihi.

Ni vyanzo gani vya data vinavyojitokeza?

Jedwali 2 katika ukurasa wa 4 wa mapitio linakusanya vyanzo vya data vinavyoweza kutumiwa katika utafiti wa famasia unaosaidiwa na akili bandia katika mahitaji mawili makuu: data za famakokinetiki/mgonjwa na data za utengenezaji/mchakato.

Orodha hii inafupisha vyanzo vya data ambavyo waandishi wa mapitio wamewasilisha kama mifano ya uwakilishi kwa AI ya famasia; jedwali lenyewe si ulinganisho wa majaribio unaothibitisha ubora wa hifadhidata hizi au utoshelevu wake kwa modeli fulani ya AI.

Uchapishaji wa dawa wa 3D na akili bandia vinaunganishwaje?

Katika mapitio, uchapishaji wa dawa wa pande tatu unajadiliwa kama eneo muhimu kwa utengenezaji wa bidhaa za famasia zilizobinafsishwa na miundo yenye dozi au sifa tofauti za utoaji. Inaelezwa kuwa akili bandia inaweza kutumiwa hapa kutabiri vigezo vya uchapishaji, uwezo wa fomulesheni kuchapishwa na vigezo vya udhibiti wa ubora.

Kwa mfumo wa wavuti uitwao M3DISEEN uliotolewa kama mfano, inaelezwa kuwa modeli ya ujifunzaji wa mashine ilifunzwa kwa seti ya data ya fomulesheni 614 zenye dawa na kwamba vigezo muhimu vya utengenezaji vilitabiriwa katika uchapishaji wa dawa wa 3D unaotegemea FDM.

Pia inaelezwa kuwa akili bandia inaweza kutumiwa kutabiri sifa za kijiometri na kiutendaji za sindano ndogo zilizochapishwa kwa 3D. Hata hivyo, mapitio yanasisitiza kuwa katika utengenezaji wa dawa wa 3D, mabadiliko katika mnato wa nyenzo, kipenyo cha nozeli, kasi ya uchapishaji na ubora wa malighafi yanaweza kuathiri usawa wa bidhaa na utoaji wa dawa.

AI hutoa nini katika mifumo ya mikrofluidiki?

Reakta za mikrofluidiki zinaweza kutoa udhibiti sahihi wa mtiririko katika ujazo mdogo, uhamishaji wa haraka wa joto na massa, na uchambuzi wa mtandaoni. Mapitio yanaeleza kuwa akili bandia inaweza kutumiwa katika uboreshaji wa utengenezaji wa nanopartikeli kwa kutathmini kwa pamoja vigezo vingi vya mchakato.

Katika mojawapo ya tafiti za mfano, algoriti ya sampuli inayobadilika iliunganishwa katika jukwaa la mikrofluidiki ili kuharakisha utambuzi wa mikusanyiko ya vitendanishi kwa nanokristali zenye sifa mahususi za utoaji mwanga. Katika utafiti mwingine, zaidi ya liposomu 200 zilitengenezwa kwa kubadilisha vigezo mbalimbali vya mchakato na modeli ya AI ilifunzwa kutabiri uthabiti wa liposomu.

Ni nini kinachochunguzwa katika eneo la electrospinning?

Electrospinning ni mbinu inayoweza kuzalisha nyuzi katika kiwango cha nano na mikro. Vigezo vingi kama volti, kasi ya mtiririko, umbali kati ya sindano na kolekta, mkusanyiko wa suluhisho, mnato, upitishaji umeme na aina ya kiyeyushi vinaweza kuathiri sifa za mwisho za nyuzi.

Mapitio yanatoa mfano wa utafiti uliotumia akili bandia kutathmini vigezo vya utengenezaji na sifa za kifisikokemia za nanofiber zenye curcumin. Kazi ya AI hapa ni kujifunza mahusiano katika nafasi ya mchakato yenye vigezo vingi na kutabiri uhusiano kati ya vigezo vya utengenezaji na sifa za bidhaa.

Ni vikwazo gani vikuu vinavyoikabili akili bandia?

Mapitio yanatambua maeneo matano makuu ya changamoto:

1. Ubora, upatikanaji na usanifishaji wa data: Data kutoka majaribio ya kliniki, rekodi za afya za kielektroniki na maabara zinaweza kuwa katika miundo na viwango tofauti vya ubora.
2. Uwezo wa kueleza na uwazi: Ugumu wa kuelewa utaratibu wa kufanya maamuzi wa modeli, hasa za ujifunzaji wa kina, unaweza kupunguza imani ya kisayansi na ya udhibiti.
3. Ujumuishaji katika mtiririko wa kazi uliopo: Kwa kuwa michakato ya R&D na utengenezaji wa famasia hufanyika chini ya itifaki zilizodhibitiwa, kuingiza mifumo ya AI katika miundombinu iliyopo si tatizo la kiufundi pekee.
4. Pengo la utaalamu wa taaluma mbalimbali: Inaelezwa kuwa timu zinazoweza kuelewa kwa pamoja famakokinetiki, sayansi ya fomulesheni, sayansi ya data na uhandisi wa AI zinahitajika.
5. Mahitaji ya kompyuta na miundombinu: Modeli za hali ya juu zinaweza kuhitaji kompyuta zenye utendaji wa juu na miundombinu ya kuhifadhi data kubwa.

Waandishi pia wanaonya kuwa kutokuwiana kwa demografia katika data za mafunzo kunaweza kusababisha utendaji wa chini katika baadhi ya makundi ya wagonjwa na kuongeza ukosefu wa usawa wa kiafya.

Kwa nini tatizo la udhibiti ni muhimu katika utengenezaji?

Katika muktadha ambao mapitio yalichapishwa, waandishi wanaeleza kuwa hakuna kiwango cha udhibiti kilicho kamili, cha kimataifa na kilichooanishwa kwa uchapishaji wa dawa wa 3D na utengenezaji wa mikrofluidiki unaosaidiwa na akili bandia. Wanasema hasa kwamba sifa za malighafi, vigezo vya uchapishaji, udhibiti wa baada ya uchakataji, uthibitishaji wa modeli na matarajio ya ubora wa bidhaa yanapaswa kufafanuliwa wazi.

Kwa hiyo, kuwepo kwa modeli inayotoa usahihi wa juu kiufundi hakumaanishi kwamba mchakato wa utengenezaji wa dawa unaosaidiwa na AI utapata kibali cha udhibiti moja kwa moja.

Matokeo yanayoungwa mkono na utafiti

• AI na ujifunzaji wa mashine vina wigo mpana wa matumizi katika sayansi ya famasia, kutoka umumunyifu hadi famakokinetiki na kutoka fomulesheni hadi utengenezaji.
• Utendaji wa juu wa utabiri umeripotiwa kwa vigezo vya famakokinetiki katika baadhi ya seti za data zilizofafanuliwa vizuri.
• AI hutumiwa kuunda modeli za mahusiano changamano kati ya vigezo katika matatizo ya fomulesheni na utengenezaji yenye vigezo vingi.
• Uchapishaji wa dawa wa 3D, usanisi wa mikrofluidiki na electrospinning ni miongoni mwa mbinu za hali ya juu za utengenezaji zinazochunguzwa kwa uboreshaji unaotegemea AI.
• Ubora wa data, uwezo wa kueleza modeli, uhamishikaji na ulinganifu wa udhibiti ni vikwazo muhimu kwa matumizi ya AI katika famasia.

Matokeo ambayo utafiti hauungi mkono au haujathibitisha

• Haijaonyeshwa kwamba akili bandia ni bora kuliko mbinu za jadi katika kila tatizo la famasia.
• Viwango tofauti vya mafanikio ya modeli vilivyowasilishwa katika mapitio havikulinganishwa katika seti moja ya pamoja ya data.
• Haijaonyeshwa kwamba utabiri wa AI unaweza kufanya maamuzi ya kliniki kwa usalama bila mtaalamu wa binadamu.
• Haijathibitishwa kwamba dozi iliyobinafsishwa inayosaidiwa na AI ni salama au bora kwa makundi yote ya wagonjwa.
• Haiwezi kuhitimishwa kwamba dawa zilizochapishwa kwa 3D ni salama zaidi, zina ufanisi zaidi au zinakubalika zaidi kwa udhibiti moja kwa moja kwa sababu tu AI imetumiwa.
• Mapitio hayakuendeleza jaribio jipya la kliniki, fomulesheni mpya ya dawa au mchakato mpya wa utengenezaji.
• Kwa kuwa utafiti si mapitio ya kimfumo wala meta-uchambuzi, hautoi athari ya kiasi iliyounganishwa ya fasihi yote.

Mbinu na Matokeo ya Utafiti

Muundo wa kisayansi wa utafiti

Chanzo ni makala ya mapitio. Waandishi wametathmini matumizi ya akili bandia na teknolojia nyingine za hali ya juu katika tasnia ya famasia katika maeneo ya utabiri wa umumunyifu wa dawa na famakokinetiki, usanifu wa aina za dozi, uboreshaji wa fomulesheni, upatikanaji wa kibayolojia, dozi iliyobinafsishwa na utengenezaji wa famasia.

Maandishi hayaripoti mikakati ya utafutaji katika hifadhidata, tarehe za kuanza na kuisha, vigezo vya kujumuisha/kuondoa, mchakato wa wakaguzi wawili, mchoro wa mtiririko wa PRISMA, upimaji wa ubora au mbinu ya meta-uchambuzi zinazohusishwa na utafutaji wa fasihi wa kimfumo. Kwa hiyo, utafiti unapaswa kutathminiwa kama mapitio simulizi yenye wigo mpana, si kama mapitio ya kimfumo au meta-uchambuzi.

Mifano ya kiasi inayojitokeza katika mapitio

Ujumbe wa kisayansi wa Jedwali 1

Jedwali 1 katika ukurasa wa 3 wa chanzo linaonyesha kuwa hakuna “algoriti bora zaidi ya AI” moja katika famasia. QSAR+ML, ANN, DNN, GNN, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning na modeli mseto za kimakanika-AI hutumiwa katika matatizo tofauti.

Katika jedwali, utendaji umefupishwa kama “H”, “M” na “L”, yaani juu, kati na chini. Tanbihi ya chanzo inaeleza wazi kwamba viwango hivi vinatokana na usahihi wa utabiri wa kulinganisha na ufanisi wa kompyuta unaoripotiwa kwa kawaida katika fasihi; si vipimo kamili.

Ujumbe wa kisayansi wa Jedwali 2

Jedwali 2 katika ukurasa wa 4 linaonyesha kuwa katika matumizi ya akili bandia ya famasia, miundombinu ya data ni muhimu sawa na usanifu wa modeli. Data za famakokinetiki na mwitikio wa dawa katika kiwango cha mgonjwa hutumiwa kwa dozi sahihi na utabiri wa mfiduo; data katika kiwango cha nyenzo na mchakato hutumiwa kwa uboreshaji wa fomulesheni na utengenezaji.

Kwamba waandishi wamejumuisha katika jedwali vyanzo vya data vya kimataifa na vile maalumu kwa China kunaonyesha kwamba uwakilishi wa data wa idadi tofauti za watu na mazingira tofauti ya udhibiti unaonekana kuwa muhimu.

Vikwazo vikuu vya kimbinu

• Mapitio hayaripoti itifaki ya utafutaji wa fasihi wa kimfumo.
• Kwa kuwa matokeo ya modeli yaliyowasilishwa yanatokana na seti tofauti za data na vipimo tofauti vya utendaji, hayawezi kupangwa moja kwa moja kwa ubora.
• Baadhi ya utendaji uliowasilishwa katika mapitio umetokana na vyanzo vya pili na haukukokotolewa upya katika makala hii.
• Uhalali wa nje wa modeli za AI unapaswa kuthibitishwa tofauti wakati mgawanyo wa data unapobadilika.
• Uwezo wa kueleza modeli, upendeleo wa data za demografia na matatizo ya usanifishaji yanaweza kuzuia matumizi ya kliniki na ya utengenezaji.
• Katika ingizo namba 96 la marejeo kuna usemi unaoonekana kuwa na hitilafu ya kibibliografia, “Pharmaceutics 20123”; haujasahihishwa kimya kimya hapa.

Maelezo ya Chanzo na Mbinu

Jina kamili la awali la utafiti: Harnessing the Power of Artificial Intelligence for Pharmaceutics: From Pharmacokinetics Prediction, Formulation, to Manufacturing

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

Mchango sawa: Yuqing Pan, Ruyue Mi na Wei Bian wameainishwa katika chanzo kuwa na mchango sawa.

Mwandishi anayewajibika: Buyong Ma.

Taasisi: 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

Jarida: Pharmaceutical Fronts.

Juzuu / toleo / kurasa: 8(1), e1–e11.

Mchapishaji: Georg Thieme Verlag KG.

Aina ya chanzo na hali ya mapitio ya kitaalamu: Makala ya mapitio iliyopitiwa na wataalamu.

Tarehe ya kuwasilishwa: 14 Februari 2024.

Tarehe ya kukubaliwa: 16 Januari 2026.

Tarehe ya kuchapishwa mtandaoni: 27 Februari 2026.

ISSN: 2628-5088.

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

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

Mgongano wa maslahi: Waandishi hawakutangaza mgongano wa maslahi.

Upatikanaji wa data: Chanzo hakina tamko tofauti la upatikanaji wa data.

CRediT/michango ya waandishi: Chanzo hakina sehemu tofauti ya CRediT au michango ya kila mwandishi.

Dokezo la kibibliografia ndani ya chanzo

Katika ingizo namba 96 la marejeo, taarifa ya uchapishaji inaonekana kama “Pharmaceutics 20123”. Ingawa usemi huu unaonekana kutofautiana kibibliografia, haujasahihishwa kimya kimya kwa sababu ya hitaji la uaminifu kwa maandishi ya chanzo.

Mbinu ya kisayansi na mpaka wa tafsiri

Chanzo hiki si utafiti unaozalisha data mpya za majaribio, wanyama, kliniki au utengenezaji. Ni mapitio simulizi yanayokusanya mifano kutoka fasihi ya akili bandia katika famasia. Usahihi wa modeli, R², RMSE, MAE na uwiano wa viwango vya hitilafu uliowasilishwa katika mapitio ni matokeo ya tafiti asili husika; si majaribio huru yaliyofanywa upya na Pan na wenzake.

Kwa kuwa maandishi hayana itifaki ya utafutaji wa kimfumo, mchoro wa mtiririko wa PRISMA, vigezo vya kujumuisha/kuondoa vilivyowekwa mapema au meta-uchambuzi, utafiti hautoi makadirio ya athari ya kiasi iliyounganishwa kwa fasihi yote.

Maudhui ya kisayansi katika makala hii ya Verianla yanategemea mapitio yaliyopakiwa. Vyanzo vya nje vilitumiwa tu kuthibitisha utambulisho wa kibibliografia wa uchapishaji na hali ya jarida kupitiwa na wataalamu; hakuna matokeo mapya ya famasia, matokeo ya kliniki au utendaji wa modeli ulioongezwa kutoka nje.