The Role of Artificial Intelligence in Modern Drug Discovery and Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drug research and discovery have been completely transformed by artificial intelligence (AI), which has improved the precision and efficiency of crucial procedures. Conventional medication development is frequently risky, expensive, and slow. From target discovery to clinical trial design, artificial intelligence (AI) can speed up several phases of drug development with machine learning (ML) and deep learning (DL) algorithms. Early on, the identification of new therapeutic targets is made possible by AI models' ability to forecast possible drug-target interactions. Additionally, by evaluating enormous chemical databases to determine which molecules are most likely to display the necessary biological activity, AI optimizes lead discovery by facilitating high-throughput screening of compounds. AI is also essential for drug repurposing, which is the process of finding new therapeutic uses for already-approved medications. AI can improve safety profiles by identifying trends in patient data that can be used to forecast unfavorable drug interactions. Furthermore, more precise in silico modeling is made possible by AI-driven simulations, which eliminates the need for expensive and time-consuming laboratory testing. AI-enabled clinical trials further improve result prediction, patient monitoring, and patient selection. AI can predict efficacy, find appropriate trial candidates, and expedite trial design by examining genomic data and electronic health information. The article explores how artificial intelligence (AI) is revolutionizing the entire drug development process, stressing both its present uses and its potential to change the pharmaceutical sector in the future and eventually result in the quicker and more affordable creation of new treatments.
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.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle