Yuqing Pan va hamkasblarining sharhi sunʼiy intellekt va mashinaviy oʻrganish farmatsevtika fanlarida faqat yangi molekulalarni izlash uchun emas; dori vositalarining eruvchanligi va farmakokinetikasini bashorat qilish, dozalash shakllari va formulatsiyalarni optimallashtirish, biooʻzlashtiriluvchanlikni oldindan aytish, shaxsga mos doza qarorlarini qoʻllab-quvvatlash hamda 3D dori bosib chiqarish, mikrofluidik tizimlar va elektrospinning kabi ishlab chiqarish texnologiyalarini rivojlantirish uchun qanday qoʻllanilishini koʻrib chiqadi. Sharhda keltirilgan tadqiqotlar ayrim yaxshi aniqlangan maʼlumotlar toʻplamlarida yuqori bashorat ko‘rsatkichlariga erishish mumkinligini ko‘rsatsa-da, mualliflar maʼlumotlar sifati, standartlashtirish, modelning izohlanishi, tartibga solishdagi noaniqlik, muassasalararo ko‘chiriluvchanlik va hisoblash infratuzilmasini asosiy cheklovlar sifatida taʼkidlaydi. Shu sababli tadqiqot sunʼiy intellekt farmatsevtik ishlab chiqishda kuchli qarorlarni qoʻllab-quvvatlash va optimallashtirish vositasi boʻlishi mumkinligini ilgari suradi; biroq AI modellari eksperimental, klinik yoki tartibga soluvchi tekshiruv oʻrnini bosishini ko‘rsatmaydi.

Turkiya nuqtai nazaridan sharhning eng muhim xabari shundaki, sunʼiy intellektga asoslangan farmatsevtik tizimlarni toʻgʻridan-toʻgʻri import qilib, ular ayni samaradorlik bilan ishlaydi deb faraz qilib boʻlmaydi. Klinik maʼlumotlar tuzilishi, bemor demografiyasi, genetik taqsimotlar, shifoxona axborot tizimlari, dori ishlab chiqarish infratuzilmasi, foydalaniladigan xomashyo va tartibga soluvchi talablar mamlakat va muassasaga qarab farq qilishi mumkin. Shu sababli Turkiyada farmakokinetik bashorat, aniq dozalash yoki aqlli ishlab chiqarish uchun qoʻllaniladigan modellar mahalliy maʼlumotlarda tekshirilishi; maʼlumotlar sifati, vakillik adolati va tartibga solish talablariga muvofiqlik alohida baholanishi kerak.

Farmatsevtik ishlab chiqishdagi asosiy muammo nima?

Dori ishlab chiqish farmakodinamika, farmakokinetika, toksiklik, formulatsiya va ishlab chiqarish imkoniyati kabi bir-biriga taʼsir qiluvchi ko‘plab oʻzgaruvchilarni birgalikda baholashni talab qiladi. Sharh mualliflari faqat bitta xususiyatni optimallashtirishga asoslangan yondashuvlar nomzod birikmaning inson tanasidagi xatti-harakatini toʻliq bashorat qilishda yetarli bo‘lmasligi mumkinligini taʼkidlaydi.

Farmakokinetika dori organizmga kirgandan keyingi soʻrilish, taqsimlanish, metabolizm va chiqarilish jarayonlarini anglatadi. Bu toʻrt yoʻnalish odatda ADME qisqartmasi bilan belgilanadi. Farmatsevtik ishlab chiqish nuqtai nazaridan muammo faqat molekulaning samarali bo‘lishida emas; dori yetarli miqdorda erishi, maqsadli joyga yetib borishi, zarur vaqt davomida tegishli konsentratsiyada bo‘lishi va maqbul xavfsizlik chegaralarida qolishi ham kerak.

Sunʼiy intellekt eruvchanlikni bashorat qilishda nima qiladi?

Sharhda bozordagi dori vositalarining taxminan %40'i suvda past eruvchanlikka ega ekani; yuqori samarali skrininglarda yangi aniqlangan faol birikmalarning esa taxminan %70–90'ida past eruvchanlik muammosi kuzatilishi mumkinligi keltiriladi. Past eruvchanlik soʻrilish va biooʻzlashtiriluvchanlikni cheklashi mumkinligi sababli dori ishlab chiqishda muhim toʻsiq hisoblanadi.

Anʼanaviy miqdoriy tuzilma-xossa munosabati modellari, yaʼni QSPR, molekulyar deskriptorlarga asoslanadi. Sharh zamonaviy sunʼiy intellekt yondashuvlari fizik-kimyoviy xususiyatlar, molekulyar fragment va barmoq izi maʼlumotlari, kvant-kimyoviy xususiyatlar hamda molekulaning topologik bogʻlanishlarini birgalikda ishlata olishini tushuntiradi.

Bu sohada sunʼiy neyron tarmoqlari, chuqur neyron tarmoqlari, graf neyron tarmoqlari va graf transformator modellari qoʻllanadi. Molekula atomlari va bogʻlarini graf sifatida ko‘radigan usullar ayrim vazifalarda xususiyatlarni qoʻlda tanlash ehtiyojini kamaytirishi mumkin.

Biroq sharhning muhim ogohlantirishlaridan biri shunday: dori vositalarining umumiy eruvchanligini mukammal bashorat qiladigan AI modeli hali mavjud emas. Kimyoviy sinflar orasidagi maʼlumot nomutanosibligi, turli tajriba sharoitlari, oʻlchash protokollarining geterogenligi, maʼlumot shovqini va standart taqqoslash toʻplamlarining yetishmasligi modelning umumlashtirilishini cheklaydi.

Murakkabroq model har doim yaxshiroqmi?

Yoʻq. Sharh alohida taʼkidlaydigan jihatlardan biri shuki, murakkabroq sunʼiy intellekt arxitekturalari har bir maʼlumotlar toʻplamida sodda modellarni avtomatik ravishda ortda qoldirmaydi. Keltirilgan qiyosiy tadqiqotda mos deskriptorlar va sinchiklab tayyorlangan maʼlumotlardan foydalanilganda oddiy chiziqli regressiya ayrim sharoitlarda neyron tarmoqlari va tijoriy in silico modellaridan ham yaxshiroq natija ko‘rsatishi mumkinligi qayd etilgan.

Bu misol farmatsevtik sunʼiy intellektda model murakkabligidan ko‘ra muammoning taʼrifi, maʼlumotlar sifati, o‘zgaruvchilarni tanlash va tashqi validatsiya hal qiluvchi bo‘lishi mumkinligini ko‘rsatadi.

Farmakokinetik bashorat nima uchun muhim?

Dorining taqsimlanish hajmi, klirensi, yarim parchalanish davri va plazmadagi bogʻlanmagan fraksiyasi kabi farmakokinetik xususiyatlari samaradorlik va xavfsizlikni baholashning asosiy qismlaridir. Mualliflar kimyoviy tuzilma va molekulyar xususiyatlardan kelib chiqib, bu parametrlarni imkon qadar erta bashorat qilish klinik ishlab chiqishga yetmasdan oldin nomzod birikmalarga ustuvorlik berishga yordam berishi mumkinligini tushuntiradi.

Sharhda misol sifatida qoʻllangan keng qamrovli inson vena ichiga yuborish farmakokinetik maʼlumotlar toʻplami 1.352 dorini oʻz ichiga oladi. Ushbu maʼlumotlar toʻplamida taqsimlanish hajmi (Vd), klirens (CL), yarim parchalanish davri va plazmadagi bogʻlanmagan fraksiya kabi parametrlar mavjud.

Mashinaviy oʻrganish farmakokinetikada qanday natijalarga erishdi?

Sharhda keltirilgan Wang va hamkasblari tadqiqotida tayanch vektor mashinalari, Random Forest va gradient boosting usullari ikki va uch oʻlchamli molekulyar deskriptorlar hamda barmoq izlari bilan birgalikda qoʻllangan. Taqsimlanish hajmini bashorat qilishda birikmalarning %87'i haqiqiy qiymatning 2 baravar xato oraligʻida bashorat qilingan; model uchun R²=0,87 va RMSE=0,21 qayd etilgan.

Xuddi shu tadqiqotdagi klirens modeli R²=0,88 va RMSE=0,10 qiymatlariga erishgan, birikmalarning %100'i 2 baravar xato oraligʻida bashorat qilingan. Shu bilan birga, sharh mualliflari klirens modelining yuqori natijasi maʼlumotlar toʻplamining past klirensli birikmalar tomonga ogʻgan taqsimotidan qisman taʼsirlangan boʻlishi mumkinligini alohida taʼkidlaydi.

Boshqa farmakokinetik misollar nimani ko‘rsatadi?

Sharh bitta natijaga asoslanmaydi; turli tadqiqot guruhlaridan koʻplab misollarni keltiradi. Inson taqsimlanish hajmini toʻgʻridan-toʻgʻri mashinaviy oʻrganish orqali bashorat qilgan boshqa yondashuvda birikmalarning %75'i 3 baravar xato oraligʻida toʻgʻri bashorat qilingan va R²=0,5 qayd etilgan.

Hayvon maʼlumotlaridan inson klirensini bashorat qilishda foydalangan tadqiqotda birikmalarning %49'i 2 baravar xato oraligʻida toʻgʻri bashorat qilingan. Xuddi shu tadqiqot guruhining keyingi, taxminan 750 birikmani oʻz ichiga olgan ishida inson klirensi uchun %67, taqsimlanish hajmi uchun %71 miqdorida 2 baravar xato oraligʻidagi bashorat muvaffaqiyati keltirilgan.

Boshqa tadqiqotda taxminan 1.000 klinik birikma asosida Random Forest modellari ishlab chiqilgan. Ogʻiz orqali yuborilgandan keyingi maksimal konsentratsiya (Cmax) modelida R²=0,68, RMSE=0,62 va 3 baravar xato oraligʻida %58 aniqlik; taqsimlanish hajmi uchun R²=0,47, RMSE=0,50 va 3 baravar xato oraligʻida %68 aniqlik qayd etilgan.

Transfer oʻrganish va ko‘p vazifali oʻrganishni birlashtirgan boshqa chuqur oʻrganish yondashuvi 30 milliondan ortiq biologik faollik maʼlumot nuqtasi bilan oldindan oʻqitilgach, 1.104 FDA tasdiqlagan kichik molekulada toʻrtta farmakokinetik parametrni bashorat qilish uchun qoʻllangan. Sharhda ogʻiz orqali biooʻzlashtiriluvchanlik uchun oʻrtacha mutlaq xato (MAE) 0,31, taqsimlanish hajmi uchun MAE 0,17 deb keltiriladi.

Bu natijalar ayni tajribaning takrorlari emas. Maʼlumotlar toʻplamlari, maqsad parametrlar, xato taʼriflari va model arxitekturalari turlicha bo‘lgani uchun raqamlarni bevosita “AI reytingi” hosil qiladigan tarzda taqqoslash ilmiy jihatdan toʻgʻri emas.

Farmakokinetik egri chiziqlarni ham bashorat qilish mumkinmi?

Sharhga ko‘ra, sunʼiy intellekt qoʻllanmalari faqat bitta klirens yoki taqsimlanish hajmi qiymatini bashorat qilishdan vaqt davomida oʻzgaradigan dori konsentratsiyasi egri chiziqlarini modellashtirish tomon rivojlanmoqda. Rekurrent neyron tarmoqlari (RNN) va Uzoq-Qisqa Muddatli Xotira tarmoqlari (LSTM) notekis namunalangan farmakokinetik vaqt qatorlarini qayta ishlashda qoʻllanishi mumkin.

Neural Ordinary Differential Equation, yaʼni neyron oddiy differensial tenglama modellari uzluksiz vaqt dinamikasini differensial tenglama tuzilishi bilan neyron tarmoqlar ichida birlashtirishni maqsad qiladi. Mualliflar maʼlumotga asoslangan modellar bilan mexanistik farmakokinetik modellarni birlashtirishni fiziologik mazmunlilik va tashqi ko‘chiriluvchanlik nuqtai nazaridan muhim rivojlanish yoʻnalishi sifatida ko‘rsatadi.

AI dori formulatsiyasiga qanday taʼsir qiladi?

Dozalash shakli dorini yuborish yoʻlini; yuborish yoʻli esa soʻrilish va taqsimlanish xatti-harakatini taʼsir qiladi. Sharhda sunʼiy neyron tarmoqlari, noaniq mantiq va genetik algoritmlar ayniqsa qattiq dozalash shakllarini formulatsiya qilishda qoʻllanadigan usullar qatoriga kirishi aytiladi.

Formulatsiya faqat faol modda va yordamchi moddalar nisbatidan iborat emasligi; ushbu komponentlarning qanday qayta ishlanishi ham yakuniy mahsulot xususiyatlarini belgilashi taʼkidlanadi. Komponentlar orasidagi murakkab fizik-kimyoviy aloqalar sababli sunʼiy intellekt formulatsiya kirishlari bilan erish, ajralib chiqish va boshqa mahsulot xususiyatlari orasidagi munosabatlarni oʻrganish uchun qoʻllanadi.

Sharhda nazoratli ajralib chiquvchi deksketoprofen tabletkalarining erishini bashorat qiluvchi sunʼiy neyron tarmogʻi, moksifloksatsin ogʻizda parchalanadigan tabletkalarini optimallashtirish va turli sharoitlarda ishlab chiqarilgan 37 uzaytirilgan ajralib chiquvchi tabletkalarning erish egri chizigʻini bashorat qilish kabi misollar keltiriladi.

Biooʻzlashtiriluvchanlikni bashorat qilishda sunʼiy intellektning roli qanday?

Biooʻzlashtiriluvchanlik dorining tizimli qon aylanishiga yetib borish tezligi va miqdorini anglatadi. Ogʻiz orqali qabul qilinadigan dorilarda oziq-ovqat taʼsiri, molekulyar xususiyatlar, eruvchanlik va o‘tkazuvchanlik bu jarayonga taʼsir qilishi mumkin.

Sharhda 1.448 molekuladan iborat maʼlumotlar toʻplamida ishlab chiqilgan ogʻiz orqali biooʻzlashtiriluvchanlik modellari misol sifatida keltiriladi. Biooʻzlashtiriluvchanlikni %50 chegarasidan yuqori yoki past deb tasniflovchi modellar orasida ensemble yondashuvi %78 aniqlikka erishgani qayd etilgan. Xuddi shu maʼlumotlar toʻplamida keyinchalik %20 va %50 chegaralar bilan ishlab chiqilgan Random Forest modellarida aniqlik ko‘rsatkichlari %78–82 oraligʻida ekani aytiladi.

Bu tasniflash natijalari dorining klinik jihatdan samarali yoki xavfsiz ekanini bevosita ko‘rsatmaydi. Biooʻzlashtiriluvchanlik dori ishlab chiqishdagi ko‘plab parametrlardan faqat bittasidir.

Shaxsga mos dozalashda qanday maʼlumotlardan foydalanish mumkin?

Sharh aniq dozalash tizimlarida genetik markerlar, yosh, jins, tana vazni, buyrak va jigar funksiyasi, klinik oʻlchovlar va turmush tarzi kabi turli maʼlumot turlarini bitta bashorat doirasida birlashtirish mumkinligini tushuntiradi.

Masalan, CYP450 fermentlaridagi genetik farqlar dori metabolizmi tezligiga taʼsir qilishi mumkin. Mualliflar ko‘rib chiqqan yondashuvda maqsad bemor xususiyatlarini farmakokinetik va farmakodinamik oʻzgaruvchilar bilan bogʻlab, aholi darajasidagi standart dozalardan individuallashtirilgan bashoratlarga o‘tishdir.

Biroq sharh bunday AI bashorati o‘z-o‘zidan bemorga beriladigan dozani belgilovchi klinik dalil degan xulosani qoʻllab-quvvatlamaydi. Model validatsiyasi, klinik kontekst va mutaxassis bahosi alohida talablar hisoblanadi.

Farmatsevtik ishlab chiqarishda AI qayerda qoʻllanadi?

Mualliflar farmatsevtik ishlab chiqarishda sunʼiy intellekt kritik material xususiyatlari, kritik jarayon parametrlari va kritik sifat xususiyatlarini kuzatishda; jarayon parametrlarini bashorat qilishda va Quality by Design yondashuvini qoʻllab-quvvatlashda ishlatilishi mumkinligini keltiradi.

Sharhning 3-sahifasidagi 1-jadval QSAR bilan mashinaviy oʻrganish, sunʼiy neyron tarmoqlari, chuqur neyron tarmoqlari, graf neyron tarmoqlari, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning va mexanistik-AI gibrid modellarini turli farmatsevtik vazifalar bilan moslashtiradi.

Jadvaldagi “yuqori, oʻrta va past” aniqlik/samaradorlik sinflari mutlaq ishlash mezonlari emasligi alohida ko‘rsatilgan. Ular adabiyotlarda odatda keltiriladigan nisbiy samaradorlikni umumlashtiruvchi sifat tasniflaridir.

Qaysi maʼlumot manbalari ajralib turadi?

Sharhning 4-sahifasidagi 2-jadval sunʼiy intellekt qoʻllab-quvvatlaydigan farmatsevtik tadqiqotlarda foydalanilishi mumkin boʻlgan maʼlumot manbalarini ikki asosiy ehtiyoj atrofida jamlaydi: farmakokinetik/bemor maʼlumotlari va ishlab chiqarish/jarayon maʼlumotlari.

Ushbu roʻyxat sharh mualliflari farmatsevtik AI uchun vakillik misoli sifatida taqdim etgan maʼlumot manbalarini umumlashtiradi; jadvalning oʻzi bu maʼlumot bazalarining sifati yoki muayyan AI modeli uchun yetarliligini tasdiqlovchi eksperimental taqqoslash emas.

3D dori bosib chiqarish va sunʼiy intellekt qanday birlashadi?

Sharhda uch oʻlchamli dori bosib chiqarish shaxsga mos farmatsevtik mahsulotlar hamda turli doza yoki ajralib chiqish xususiyatlariga ega tuzilmalarni ishlab chiqarish nuqtai nazaridan muhim soha sifatida ko‘rib chiqiladi. Bu yerda sunʼiy intellekt bosib chiqarish parametrlarini, formulatsiyaning bosib chiqarishga yaroqliligini va sifat nazorati oʻzgaruvchilarini bashorat qilish uchun qoʻllanishi mumkinligi keltiriladi.

Misol sifatida berilgan M3DISEEN nomli veb-asosli tizim uchun 614 dori yuklangan formulatsiyadan iborat maʼlumotlar toʻplamida mashinaviy oʻrganish modeli oʻqitilgani va FDM asosidagi 3D dori bosib chiqarishda muhim ishlab chiqarish parametrlari bashorat qilingani aytiladi.

Sunʼiy intellekt 3D bosib chiqarilgan mikroignalar geometriyasi va funksional xususiyatlarini bashorat qilishda ham qoʻllanishi mumkinligi keltiriladi. Shu bilan birga, sharh 3D dori ishlab chiqarishda material qovushqoqligi, soplo diametri, bosib chiqarish tezligi va xomashyo sifatidagi oʻzgarishlar mahsulot bir xilligiga va dori ajralib chiqishiga taʼsir qilishi mumkinligini taʼkidlaydi.

Mikrofluidik tizimlarda AI nima beradi?

Mikrofluidik reaktorlar kichik hajmlarda aniq oqim nazorati, tez issiqlik va massa uzatish hamda onlayn tahlilni taʼminlashi mumkin. Sharhda sunʼiy intellekt koʻplab jarayon oʻzgaruvchilarini birgalikda baholab, nanozarrachalar ishlab chiqarishni optimallashtirishda qoʻllanishi mumkinligi aytiladi.

Misol tadqiqotlardan birida adaptiv namunalash algoritmi muayyan emissiya xususiyatlariga ega nanokristallar uchun reaktiv konsentratsiyalarini aniqlashni tezlashtirish maqsadida mikrofluidik platformaga integratsiya qilingan. Boshqa tadqiqotda esa turli jarayon parametrlari oʻzgartirilib 200'dan ortiq liposoma sintez qilingan va AI modeli liposoma barqarorligini bashorat qilish uchun oʻqitilgan.

Elektrospinning sohasida nima oʻrganilmoqda?

Elektrospinning nano va mikro miqyosda tolalar ishlab chiqarish mumkin boʻlgan usuldir. Kuchlanish, oqim tezligi, igna-kollektor masofasi, eritma konsentratsiyasi, qovushqoqlik, oʻtkazuvchanlik va erituvchi turi kabi koʻplab oʻzgaruvchilar yakuniy tola xususiyatlariga taʼsir qilishi mumkin.

Sharhda kurkumin yuklangan nanotolalarning ishlab chiqarish parametrlari va fizik-kimyoviy xususiyatlarini baholash uchun sunʼiy intellektdan foydalanilgan tadqiqot misol sifatida ko‘rsatiladi. Bu yerda AI ning vazifasi ko‘p oʻzgaruvchili jarayon fazosidagi munosabatlarni oʻrganib, ishlab chiqarish parametrlari bilan mahsulot xususiyatlari orasidagi bogʻlanishlarni bashorat qilishdir.

Sunʼiy intellekt oldidagi asosiy toʻsiqlar nimalar?

Sharh beshta asosiy qiyinchilik sohasini belgilaydi:

1. Maʼlumotlar sifati, mavjudligi va standartlashtirish: Klinik tadqiqotlar, elektron tibbiy yozuvlar va laboratoriyalardan keladigan maʼlumotlar turli formatlarda va turli sifat darajalarida bo‘lishi mumkin.
2. Izohlanuvchanlik va shaffoflik: Ayniqsa chuqur oʻrganish modellarining qaror mexanizmini tushunish qiyin boʻlishi ilmiy va tartibga soluvchi ishonchni cheklashi mumkin.
3. Mavjud ish jarayonlariga integratsiya: Farmatsevtik Ar-Ge va ishlab chiqarish jarayonlari tartibga solingan protokollar asosida olib borilgani uchun AI tizimlarini mavjud infratuzilmaga qoʻshish faqat texnik muammo emas.
4. Fanlararo mutaxassislik yetishmovchiligi: Farmakokinetika, formulatsiya fani, maʼlumotlar fani va AI muhandisligini birgalikda tushunadigan jamoalar kerakligi taʼkidlanadi.
5. Hisoblash va infratuzilma talabi: Ilgʻor modellar yuqori unumli hisoblash va katta maʼlumotlarni saqlash infratuzilmasini talab qilishi mumkin.

Mualliflar, shuningdek, oʻqitish maʼlumotlaridagi demografik nomutanosibliklar ayrim bemor guruhlarida pastroq natija va sogʻliqdagi tengsizliklarning kuchayishiga olib kelishi mumkinligi haqida ogohlantiradi.

Ishlab chiqarishda tartibga solish muammosi nega muhim?

Sharh chop etilgan kontekstda mualliflar sunʼiy intellekt qoʻllab-quvvatlaydigan farmatsevtik 3D bosib chiqarish va mikrofluidik ishlab chiqarish uchun keng qamrovli, global va uygʻunlashtirilgan tartibga soluvchi standart mavjud emasligini aytadi. Ayniqsa xomashyo xususiyatlari, bosib chiqarish parametrlari, yakuniy ishlov nazorati, model validatsiyasi va mahsulot sifati kutilmalari aniq belgilanishi kerakligini ilgari suradi.

Shunday qilib, texnik jihatdan yuqori aniqlik beradigan modelning mavjudligi AI qoʻllab-quvvatlaydigan dori ishlab chiqarish jarayoni avtomatik ravishda tartibga soluvchi tasdiq olishini anglatmaydi.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• AI va mashinaviy oʻrganish farmatsevtika fanlarida eruvchanlikdan farmakokinetikaga, formulatsiyadan ishlab chiqarishgacha keng qoʻllanish sohasiga ega.
• Ayrim yaxshi aniqlangan maʼlumotlar toʻplamlarida farmakokinetik parametrlar uchun yuqori bashorat ko‘rsatkichlari qayd etilgan.
• AI ko‘p oʻzgaruvchili formulatsiya va ishlab chiqarish muammolarida parametrlar orasidagi murakkab munosabatlarni modellashtirish uchun qoʻllanadi.
• 3D dori bosib chiqarish, mikrofluidik sintez va elektrospinning kabi ilgʻor ishlab chiqarish usullari AI asosidagi optimallashtirish uchun oʻrganilayotgan sohalardir.
• Maʼlumotlar sifati, model izohlanuvchanligi, ko‘chiriluvchanlik va tartibga solish talablariga muvofiqlik AI ning farmatsevtik qoʻllanilishi uchun kritik cheklovlardir.

Tadqiqot qoʻllab-quvvatlamaydigan yoki isbotlamaydigan xulosalar

• Sunʼiy intellekt har bir farmatsevtik muammoda anʼanaviy usullardan yaxshiroq ekanligi ko‘rsatilmagan.
• Sharhda keltirilgan turli model natijalari bitta umumiy maʼlumotlar toʻplamida taqqoslanmagan.
• AI bashoratlari klinik qarorlarni inson mutaxassisisiz xavfsiz bera olishi ko‘rsatilmagan.
• AI qoʻllab-quvvatlaydigan shaxsiylashtirilgan dozalash barcha bemor guruhlarida xavfsiz yoki ustun ekanligi isbotlanmagan.
• 3D bosib chiqarilgan dorilar AI ishlatilgani uchun avtomatik ravishda xavfsizroq, samaraliroq yoki tartibga solish nuqtai nazaridan maqbul degan xulosa chiqarib bo‘lmaydi.
• Sharh yangi klinik sinov, yangi dori formulatsiyasi yoki yangi ishlab chiqarish jarayonini ishlab chiqmagan.
• Tadqiqot tizimli sharh yoki meta-tahlil bo‘lmagani uchun butun adabiyotning miqdoriy birlashtirilgan taʼsirini bermaydi.

Tadqiqot Usuli va Natijalari

Tadqiqotning ilmiy dizayni

Manba sharh maqolasidir. Mualliflar sunʼiy intellekt va boshqa ilgʻor texnologiyalarning farmatsevtika sanoatidagi qoʻllanishlarini; dori eruvchanligi va farmakokinetik bashorat, dozalash shakli dizayni, formulatsiyani optimallashtirish, biooʻzlashtiriluvchanlik, shaxsiylashtirilgan dozalash va farmatsevtik ishlab chiqarish yoʻnalishlarida baholagan.

Matnda tizimli adabiyot qidiruviga xos maʼlumotlar bazasi qidiruv satrlari, boshlanish va tugash sanalari, kiritish/chiqarish mezonlari, ikki baholovchi jarayon, PRISMA oqim diagrammasi, sifatni ballash yoki meta-tahlil usuli keltirilmagan. Shu sababli tadqiqot tizimli sharh yoki meta-tahlil emas, keng qamrovli narrativ sharh sifatida baholanishi kerak.

Sharhda ajralib turadigan miqdoriy misollar

1-jadvalning ilmiy xabari

Manbaning 3-sahifasidagi 1-jadval farmatsevtikada bitta “eng yaxshi AI algoritmi” yoʻqligini ko‘rsatadi. QSAR+ML, ANN, DNN, GNN, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning va mexanistik-AI gibrid modellari turli muammolarda qoʻllanadi.

Jadvalda natija “H”, “M” va “L” shaklida yuqori, oʻrta va past deb umumlashtirilgan. Manba izohida bu darajalar adabiyotlarda odatda keltiriladigan nisbiy bashorat aniqligi va hisoblash samaradorligiga asoslanishi; mutlaq mezonlar emasligi ochiq aytiladi.

2-jadvalning ilmiy xabari

4-sahifadagi 2-jadval sunʼiy intellektning farmatsevtik qoʻllanmalarida model arxitekturasi qadar maʼlumot infratuzilmasi ham hal qiluvchi ekanini ko‘rsatadi. Bemor darajasidagi farmakokinetik va dori javobi maʼlumotlari aniq dozalash va taʼsirlanish bashoratlari uchun; material va jarayon darajasidagi maʼlumotlar esa formulatsiya va ishlab chiqarishni optimallashtirish uchun ishlatiladi.

Mualliflarning jadvalda ham xalqaro, ham Xitoyga xos maʼlumot manbalarini keltirishi turli populyatsiyalar va tartibga solish muhitlarining maʼlumotlarda vakilligi muhim deb hisoblanishini ko‘rsatadi.

Asosiy uslubiy cheklovlar

• Sharh tizimli adabiyot qidiruvi protokolini hisobot qilmaydi.
• Keltirilgan model natijalari turli maʼlumotlar toʻplamlari va ishlash mezonlaridan kelgani uchun ularni bevosita ustunlik bo‘yicha tartiblash mumkin emas.
• Sharhdagi ayrim natijalar ikkilamchi manbalardan olingan va ushbu maqolada qayta hisoblanmagan.
• AI modellarining maʼlumot taqsimoti o‘zgarganda tashqi validligi alohida tekshirilishi kerak.
• Model izohlanuvchanligi, demografik maʼlumot ogʻishi va standartlashtirish muammolari klinik va ishlab chiqarish qoʻllanmalarini cheklashi mumkin.
• Manbalar roʻyxatining 96-raqamli yozuvida “Pharmaceutics 20123” ko‘rinishidagi bibliografik jihatdan buzilgan ifoda mavjud; bu yerda jim tuzatilmagan.

Manba va Usul Haqida Izoh

Toʻliq original tadqiqot nomi: Harnessing the Power of Artificial Intelligence for Pharmaceutics: From Pharmacokinetics Prediction, Formulation, to Manufacturing

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

Teng hissa: Yuqing Pan, Ruyue Mi va Wei Bian manbada teng hissa qoʻshganlar sifatida belgilangan.

Masʼul muallif: Buyong Ma.

Muassasa: 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.

Jild / son / sahifalar: 8(1), e1–e11.

Nashriyot: Georg Thieme Verlag KG.

Manba turi va taqriz holati: Taqrizdan oʻtgan sharh maqolasi.

Topshirilgan sana: 14 Fevral 2024.

Qabul qilingan sana: 16 Yanvar 2026.

Onlayn nashr sanasi: 27 Fevral 2026.

ISSN: 2628-5088.

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

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

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvini bildirmagan.

Maʼlumotlar mavjudligi: Manbada alohida maʼlumotlar mavjudligi bayonoti yoʻq.

CRediT/muallif hissalari: Manbada alohida CRediT yoki individual muallif hissasi bo‘limi yoʻq.

Manba ichidagi bibliografik izoh

Manbalar roʻyxatining 96-raqamli yozuvida nashr maʼlumoti “Pharmaceutics 20123” shaklida ko‘rinadi. Ushbu ifoda bibliografik jihatdan nomuvofiq ko‘rinsa-da, manba matniga sodiqlik talabiga ko‘ra jim tuzatilmagan.

Ilmiy usul va talqin chegarasi

Bu manba yangi eksperimental, hayvon, klinik yoki ishlab chiqarish maʼlumotlarini yaratadigan tadqiqot emas. Farmatsevtik sunʼiy intellekt adabiyotidagi misollarni birlashtiradigan narrativ sharhdir. Sharhda keltirilgan model aniqliklari, R², RMSE, MAE va xato oraligʻi ulushlari tegishli original tadqiqotlar natijalaridir; Pan va hamkasblari qayta bajargan mustaqil tajribalar emas.

Matnda tizimli qidiruv protokoli, PRISMA oqim sxemasi, oldindan belgilangan kiritish/chiqarish mezonlari yoki meta-tahlil bo‘lmagani sababli tadqiqot butun adabiyot uchun miqdoriy birlashtirilgan taʼsir bahosini bermaydi.

Ushbu Verianla maqolasidagi ilmiy mazmun yuklangan sharhga asoslanadi. Tashqi manbalar faqat bibliografik nashr identifikatsiyasi va jurnalning taqrizdan oʻtganlik holatini tasdiqlash uchun ishlatilgan; tashqaridan yangi farmatsevtik topilma, klinik natija yoki model ko‘rsatkichi qoʻshilmagan.