The Role of Artificial Intelligence in Accelerating Drug Discovery and Development
Notice bibliographique
Résumé
Artificial intelligence (AI) is rapidly reshaping the pharmaceutical industry through its impact in the way drugs are discovered, developed, and delivered. Traditionally, drug development has been a lengthy, expensive, and failure-prone process, often requiring over a decade and billions of dollars to bring a single therapy to market. AI has the potential to address some of these inefficiencies by supporting faster, more data-driven decision-making in certain areas across the research and development (R&D) pipeline. This review summarizes ten key domains where AI applications are emerging, with varying degrees of demonstrated impact: 1) target identification; 2) hit discovery; 3) lead optimization; 4) preclinical modeling; 5) clinical trial design and stratification; 6) post-marketing surveillance and real-world evidence generation; 7) biomarker discovery; 8) molecular synthesis automation; 9) cost and time reduction; and 10) regulatory decision support. AI techniques - including machine learning, natural language processing, deep learning, and generative models - have shown capability in accelerating in silico screening, predicting pharmacokinetic and toxicity profiles, simulating clinical trials, and optimizing molecular design. Additionally, AI is enabling dynamic clinical trial designs, synthetic control arms, and automated patient matching, improving trial success rates. Through automated synthesis planning and robotic chemistry, AI reduces the cycle time from hypothesis to compound validation. Post-market, AI enhances pharmacovigilance by mining electronic health records and social media to detect adverse drug events earlier than traditional systems. As regulatory agencies increasingly accept AI-derived evidence, the pharmaceutical landscape is transitioning toward more efficient, scalable, and personalized drug development pathways. Despite its momentum, challenges remain, such as data bias, model transparency, and regulatory harmonization. This review underscores AI’s potential role in shaping the future of therapeutic innovation and highlights the areas that must be addressed to fully realize its potential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».