சுருக்கமான பதில்: உருவாக்க செயற்கை நுண்ணறிவு (Generative AI) முக்கியமாக, சாத்தியமான மூலக்கூறுகள் அல்லது புரத வரிசைகளை உருவாக்குதல், தொகுப்பு வழிகளை முன்மொழிதல் மற்றும் சோதிக்கக்கூடிய கருதுகோள்களை வெளிக்கொணர்தல் ஆகியவற்றின் மூலம் ஆரம்பகட்ட மருந்து கண்டுபிடிப்பை விரைவுபடுத்துகிறது. இதனால், ஆய்வுக் குழுக்கள் குறைவான "கண்மூடித்தனமான" சோதனைகளையே நடத்த முடியும். நீங்கள் கடுமையான கட்டுப்பாடுகளை விதித்து, அதன் வெளியீடுகளைச் சரிபார்க்கும்போது இது மிகச் சிறப்பாகச் செயல்படுகிறது; ஆனால், இதை ஒரு தீர்க்கதரிசியைப் போலக் கருதினால், அது மிகுந்த நம்பிக்கையுடன் தவறாக வழிநடத்தக்கூடும்.
முக்கிய குறிப்புகள்:
முடுக்கம்: யோசனை உருவாக்கத்தை விரிவுபடுத்த GenAI ஐப் பயன்படுத்தவும், பின்னர் கடுமையான வடிகட்டுதலுடன் சுருக்கவும்.
கட்டுப்பாடுகள்: தலைமுறைக்கு முன் சொத்து வரம்புகள், ஸ்காஃபோட் விதிகள் மற்றும் புதுமை வரம்புகள் தேவை.
சரிபார்ப்பு: வெளியீடுகளை கருதுகோள்களாகக் கருதுங்கள்; மதிப்பீடுகள் மற்றும் செங்குத்து மாதிரிகள் மூலம் உறுதிப்படுத்தவும்.
கண்டறியும் தன்மை: பதிவுத் தூண்டுதல்கள், வெளியீடுகள் மற்றும் பகுத்தறிவு ஆகியவை முடிவுகள் தணிக்கை செய்யக்கூடியதாகவும் மதிப்பாய்வு செய்யக்கூடியதாகவும் இருக்கும்.
தவறான பயன்பாட்டு எதிர்ப்பு: நிர்வாகம், அணுகல் கட்டுப்பாடுகள் மற்றும் மனித மதிப்பாய்வு ஆகியவற்றில் கசிவு மற்றும் அதிக நம்பிக்கையைத் தடுக்கவும்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 சுகாதாரப் பராமரிப்பில் AI இன் பங்கு
நோயறிதல், பணிப்பாய்வுகள், நோயாளி பராமரிப்பு மற்றும் விளைவுகளை AI எவ்வாறு மேம்படுத்துகிறது.
🔗 கதிரியக்கவியலாளர்களை AI மாற்றுமா?
ஆட்டோமேஷன் கதிரியக்கவியலை எவ்வாறு அதிகரிக்கிறது மற்றும் மனிதனை என்னவாக வைத்திருக்கிறது என்பதை ஆராய்கிறது.
🔗 மருத்துவர்களை AI மாற்றுமா?
மருத்துவர்களின் வேலைகள் மற்றும் பயிற்சியில் AI இன் தாக்கத்தை நேர்மையாகப் பாருங்கள்.
🔗 அறிவியல் கண்டுபிடிப்புக்கான சிறந்த AI ஆய்வக கருவிகள்
பரிசோதனைகள், பகுப்பாய்வு மற்றும் கண்டுபிடிப்பை விரைவுபடுத்துவதற்கான சிறந்த AI ஆய்வக கருவிகள்.
மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு, ஒரே மூச்சில் 😮💨
உருவாக்கமுறை செயற்கை நுண்ணறிவு, மருந்து குழுக்களுக்கு உருவாக்கவும் , பண்புகளைக் கணிக்கவும், மாற்றங்களைப் பரிந்துரைக்கவும், தொகுப்பு வழிகளை முன்மொழியவும், உயிரியல் கருதுகோள்களை ஆராயவும், மற்றும் மறுசெய்கை சுழற்சிகளைக் குறைக்கவும் உதவுகிறது - குறிப்பாக ஆரம்பகட்ட கண்டுபிடிப்பு மற்றும் முன்னணி மேம்படுத்தலில். நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு) எல்செவியர் 2024 ஆய்வு (புதிய மருந்து வடிவமைப்பில் உருவாக்கமுறை மாதிரிகள்)
ஆம், அதனால் நம்பிக்கையுடன் அபத்தங்களையும் உருவாக்க முடியும். அதுவும் இதன் ஒரு பகுதிதான். ராக்கெட் எஞ்சினுடன் இருக்கும் மிகுந்த உற்சாகமுள்ள ஒரு பயிற்சியாளரை போல. மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்ற அபாயம்) npj டிஜிட்டல் மெடிசின் 2025 (மாயத்தோற்றம் + பாதுகாப்பு கட்டமைப்பு)
மக்கள் ஒப்புக்கொள்வதை விட இது ஏன் முக்கியமானது 💥
கண்டுபிடிப்புப் பணிகளில் பெரும்பாலானவை "தேடல்" சார்ந்தவை. வேதியியல் வெளியைத் தேடுங்கள், உயிரியலைத் தேடுங்கள், இலக்கியத்தைத் தேடுங்கள், அமைப்பு-செயல்பாட்டு உறவுகளைத் தேடுங்கள். சிக்கல் என்னவென்றால், வேதியியல் வெளி என்பது... அடிப்படையில் கிட்டத்தட்ட முடிவற்றது. வேதியியல் ஆராய்ச்சிக் குறிப்புகள் 2015 (வேதியியல் வெளி) இர்வின் & ஷோய்செட் 2009 (வேதியியல் வெளி அளவு)
"நியாயமான" மாறுபாடுகளை முயற்சிப்பதில் நீங்கள் பல வாழ்நாள்களைச் செலவிடலாம்.
ஜெனரேட்டிவ் AI பணிப்பாய்வை இதிலிருந்து மாற்றுகிறது:
-
"நாம் என்ன நினைக்க முடியும் என்பதை சோதிப்போம்"
செய்ய:
-
"பெரிய, புத்திசாலித்தனமான விருப்பங்களின் தொகுப்பை உருவாக்குவோம், பின்னர் சிறந்தவற்றை சோதிப்போம்"
இது பரிசோதனைகளை நீக்குவது பற்றியது அல்ல. இது சிறந்த பரிசோதனைகளைத் தேர்ந்தெடுப்பது. 🧠 நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
மேலும், இது அதிகம் விவாதிக்கப்படாத ஒரு விஷயம் என்றாலும், இது குழுக்கள் வெவ்வேறு துறைகளைச் சேர்ந்தவர்கள் கலந்துரையாட. வேதியியலாளர்கள், உயிரியலாளர்கள், DMPK நிபுணர்கள், கணக்கீட்டு விஞ்ஞானிகள்... என அனைவருக்கும் வெவ்வேறு மன மாதிரிகள் உள்ளன. ஒரு தரமான உருவாக்க அமைப்பு, ஒரு பகிரப்பட்ட வரைவுப் பலகையாகச் செயல்பட முடியும். ஃபிரான்டியர்ஸ் இன் டிரக் டிஸ்கவரி 2024 மதிப்பாய்வு
மருந்து கண்டுபிடிப்புக்கான ஜெனரேட்டிவ் AI இன் நல்ல பதிப்பை உருவாக்குவது எது? ✅
அனைத்து உருவாக்க செயற்கை நுண்ணறிவுகளும் ஒரே மாதிரியாக உருவாக்கப்படவில்லை. இந்தத் துறைக்கான ஒரு “நல்ல” பதிப்பு என்பது, கவர்ச்சியான செயல்விளக்கங்களைக் காட்டிலும், எளிதில் கவரக்கூடிய நம்பகத்தன்மையைப் பற்றியதே ஆகும் (எளிதில் கவரக்கூடிய தன்மை இங்கு ஒரு நற்பண்பு). நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
ஒரு நல்ல உருவாக்க AI அமைப்பு பொதுவாக பின்வருவனவற்றைக் கொண்டுள்ளது:
-
துறைசார் அடித்தளம்: வேதியியல், உயிரியல் மற்றும் மருந்தியல் தரவுகளுக்குப் பயிற்சி அளிக்கப்பட்ட அல்லது மாற்றியமைக்கப்பட்ட (வெறும் பொதுவான உரைக்கு மட்டுமல்ல) 🧬 எல்செவியர் 2024 மதிப்பாய்வு (உருவாக்க மாதிரிகள்)
-
கட்டுப்பாடுகள்-முதன்மைத் தலைமுறை: இது கொழுப்பு நாட்டம் வரம்புகள், கட்டமைப்பு கட்டுப்பாடுகள், பிணைப்பு தள அம்சங்கள், தேர்ந்தெடுப்பு இலக்குகள் போன்ற விதிகளைப் பின்பற்ற முடியும் JCIM 2024 (புதிய மருந்து வடிவமைப்பில் பரவல் மாதிரிகள்) REINVENT 4 (திறந்த கட்டமைப்பு)
-
பண்பு விழிப்புணர்வு: இது புதுமையான மூலக்கூறுகளை உருவாக்குவது மட்டுமல்லாமல், ADMET வரையறைகளின்படி "அபத்தமானவை அல்ல" என்பதையும் உறுதி செய்கிறது. ADMET ஆய்வகம் 2.0 (ஆரம்பகால ADMET ஏன் முக்கியமானது)
-
நிச்சயமற்ற தன்மையை அறிக்கையிடுதல்: இது எப்போது யூகிக்கிறது, எப்போது உறுதியாக இருக்கிறது என்பதைச் சுட்டிக்காட்டுகிறது (ஒரு தோராயமான நம்பிக்கை வரம்புகூட உதவுகிறது) OECD QSAR சரிபார்ப்புக் கோட்பாடுகள் (பயன்பாட்டு வரம்பு)
-
மனித-சுழற்சி கட்டுப்பாடுகள்: வேதியியலாளர்கள் வெளியீடுகளை விரைவாக வழிநடத்தலாம், நிராகரிக்கலாம் மற்றும் வழிநடத்தலாம் இயற்கை 2023 (பணிப்பாய்வு + கண்டுபிடிப்பு தொழில்நுட்ப சூழல்)
-
தடமறிதல்: ஒரு பரிந்துரை ஏன் நிகழ்ந்தது என்பதை உங்களால் (குறைந்தபட்சம் பகுதியளவாவது) காண முடியும், இல்லையெனில் நீங்கள் கண்மூடித்தனமாகச் செயல்படுகிறீர்கள். OECD QSAR வழிகாட்டுதல் (மாதிரி வெளிப்படைத்தன்மை + சரிபார்ப்பு)
-
மதிப்பீட்டுக் கட்டமைப்பு: டாக்கிங், QSAR, ஃபில்டர்கள், ரெட்ரோசிந்தசிஸ் சோதனைகள் - அனைத்தும் இணைக்கப்பட்டுள்ளன 🔧 நேச்சர் 2023 (லிகண்ட் டிஸ்கவரி ஆய்வு) CASP-இல் இயந்திரக் கற்றல் (கோலி 2018)
-
சார்பு மற்றும் கசிவு கட்டுப்பாடுகள்: பயிற்சித் தரவு மனப்பாடம் மறைமுகமாக நுழைவதைத் தவிர்க்க (ஆம், அது நிகழ்கிறது) USENIX 2021 (பயிற்சித் தரவு பிரித்தெடுத்தல்) Vogt 2023 (புதுமை/தனித்துவம் தொடர்பான கவலைகள்)
உங்கள் உருவாக்க AI கட்டுப்பாடுகளைக் கையாள முடியாவிட்டால், அது அடிப்படையில் ஒரு புதுமை உருவாக்குபவர். விருந்துகளில் வேடிக்கை. மருந்து திட்டத்தில் குறைவான வேடிக்கை.
மருந்து கண்டுபிடிப்பு குழாய்த்திட்டத்தில் ஜெனரேட்டிவ் AI எங்கு பொருந்துகிறது 🧭
இதோ ஒரு எளிய மன வரைபடம். உருவாக்க செயற்கை நுண்ணறிவு ஏறக்குறைய ஒவ்வொரு கட்டத்திற்கும் பங்களிக்க முடியும், ஆனால் மீள்செயல்முறைக்கு அதிக செலவாகும் இடங்களிலும், கருதுகோள் வெளி மிகப் பெரியதாக இருக்கும் இடங்களிலும் இது மிகச் சிறப்பாகச் செயல்படுகிறது. நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
பொதுவான தொடர்பு புள்ளிகள்:
-
இலக்கு கண்டுபிடிப்பு மற்றும் சரிபார்ப்பு (கருதுகோள்கள், பாதை மேப்பிங், பயோமார்க்கர் பரிந்துரைகள்) மருந்து கண்டுபிடிப்பில் எல்லைகள் 2024 மதிப்பாய்வு
-
தாக்குதலை அடையாளம் காணுதல் (மெய்நிகர் திரையிடல் பெருக்குதல், புதிய தாக்கத்தை உருவாக்குதல்) இயற்கை உயிரி தொழில்நுட்பம் 2019 (GENTRL)
-
லீட் ஆப்டிமைசேஷன் (பரிந்துரைக்கும் அனலாக்ஸ், பல-அளவுரு டியூனிங்) REINVENT 4
-
முன் மருத்துவ ஆதரவு (ADMET சொத்து கணிப்பு, சில நேரங்களில் சூத்திர குறிப்புகள்) ADMETlab 2.0
-
CMC மற்றும் தொகுப்புத் திட்டமிடல் (பின்னோக்குத் தொகுப்புப் பரிந்துரைகள், வழி வகைப்படுத்தல்) AiZynthFinder 2020 Coley 2017 (கணினி உதவியுடனான பின்னோக்குத் தொகுப்பு)
-
அறிவுசார் பணி (இலக்கியத் தொகுப்பு, போட்டிச் சூழல் சுருக்கங்கள்) 📚 பேட்டர்ன்ஸ் 2025 (மருந்துக் கண்டுபிடிப்பில் சட்ட முதுகலைப் பட்டங்கள்)
பல நிரல்களில், மிகப்பெரிய வெற்றிகள் ஒரு தனிப்பட்ட மாதிரி “மேதையாக” இருப்பதனால் வருவதில்லை பணிப்பாய்வு ஒருங்கிணைப்பினாலேயே. மாதிரி என்பது இயந்திரம் - செயல்முறைத் தொடர் என்பது கார். நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
ஒப்பீட்டு அட்டவணை: மருந்து கண்டுபிடிப்பில் பயன்படுத்தப்படும் பிரபலமான ஜெனரேட்டிவ் AI அணுகுமுறைகள் 📊
கொஞ்சம் குறைபாடற்ற அட்டவணை, ஏனென்றால் நிஜ வாழ்க்கை கொஞ்சம் குறைபாடற்றது.
| கருவி / அணுகுமுறை | (பார்வையாளர்களுக்கு) சிறந்தது | விலை அதிகம் | அது ஏன் வேலை செய்கிறது (மற்றும் அது வேலை செய்யாதபோது) |
|---|---|---|---|
| புதிய மூலக்கூறு ஜெனரேட்டர்கள் (புன்னகைகள், வரைபடங்கள்) | மருத்துவ வேதியியல் + கூட்டு வேதியியல் | $$-$$$ | புதிய ஒப்புமைகளை வேகமாக ஆராய்வதில் சிறந்து விளங்குகிறது 😎 - ஆனால் நிலையற்ற பொருத்தமற்றவற்றையும் வெளியேற்றிவிடும் REINVENT 4 GENTRL (Nature Biotech 2019) |
| புரதம் / கட்டமைப்பு ஜெனரேட்டர்கள் | உயிரியல் குழுக்கள், கட்டமைப்பு உயிரியல் | $$$ | தொடர்வரிசைகளையும் கட்டமைப்புகளையும் முன்மொழிய உதவுகிறது - ஆனால் “நம்பத்தகுந்ததாகத் தெரிகிறது” என்பது “செயல்படுகிறது” என்பதற்குச் சமமானதல்ல. ஆல்ஃபாஃபோல்ட் (நேச்சர் 2021) ஆர்எஃப் டிஃப்யூஷன் (நேச்சர் 2023) |
| பரவல் பாணி மூலக்கூறு வடிவமைப்பு | மேம்பட்ட ML அணிகள் | $$-$$$$ | கட்டுப்பாட்டு நிபந்தனை மற்றும் பன்முகத்தன்மையில் வலிமையானது - அமைப்பு என்பது… ஒரு பெரிய விஷயமாக இருக்கலாம் JCIM 2024 (பரவல் மாதிரிகள்) PMC 2025 பரவல் மதிப்பாய்வு |
| சொத்து கணிப்பு இணை பைலட்டுகள் (QSAR + GenAI சேர்க்கை) | DMPK, திட்டக் குழுக்கள் | $$ | வகைப்படுத்துவதற்கும் தரவரிசைப்படுத்துவதற்கும் நல்லது - வேதவாக்காக எடுத்துக் கொண்டால் மோசமானது 😬 OECD (பயன்பாட்டு வரம்பு) ADMETlab 2.0 |
| மீள் தொகுப்பு திட்டமிடுபவர்கள் | செயல்முறை வேதியியல், CMC | $$-$$$ | வழித்தட யோசனை உருவாக்கத்தை விரைவுபடுத்துகிறது - சாத்தியக்கூறு மற்றும் பாதுகாப்பிற்காக இன்னும் மனிதர்கள் தேவைப்படுகிறார்கள் AiZynthFinder 2020 Coley 2018 (CASP) |
| மல்டிமாடல் லேப் கோபிலட்டுகள் (உரை + மதிப்பீட்டுத் தரவு) | மொழிபெயர்ப்பு குழுக்கள் | $$$ | தரவுத்தொகுப்புகளுக்கு இடையே சமிக்ஞைகளைப் பெறுவதற்கு உதவியானது - தரவு ஒழுங்கற்றதாக இருந்தால் அதீத தன்னம்பிக்கைக்கு ஆளாகக்கூடும் நேச்சர் 2024 (செல் படமாக்கலில் தொகுதி விளைவுகள்) npj டிஜிட்டல் மெடிசின் 2025 (உயிரித்தொழில்நுட்பத்தில் பன்முறைமை) |
| இலக்கியம் மற்றும் கருதுகோள் உதவியாளர்கள் | நடைமுறையில், அனைவரும் | $ | வாசிப்பு நேரத்தை வெகுவாகக் குறைக்கிறது - ஆனால் மாயத்தோற்றங்கள், காலுறைகள் காணாமல் போவதைப் போல வழுக்கக்கூடியவை. பேட்டர்ன்ஸ் 2025 (மருந்து கண்டுபிடிப்பில் LLMகள்) மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்) |
| தனிப்பயன் உள்-வீட்டு அடித்தள மாதிரிகள் | பெரிய மருந்தகம், நன்கு நிதியளிக்கப்பட்ட உயிரி தொழில்நுட்பங்கள் | $$$$ | சிறந்த கட்டுப்பாடு + ஒருங்கிணைப்பு - மேலும் உருவாக்குவதற்குச் செலவு மிக்கதாகவும் மெதுவாகவும் இருக்கும் (மன்னிக்கவும், இது உண்மைதான்) ஃபிரான்டியர்ஸ் இன் டிரக் டிஸ்கவரி 2024 மதிப்பாய்வு |
குறிப்புகள்: விலை நிர்ணயம் அளவு, கணக்கீடு, உரிமம் மற்றும் உங்கள் குழு "பிளக் அண்ட் ப்ளே" அல்லது "ஒரு விண்கலத்தை உருவாக்குவோம்" என்பதை பொறுத்து பெருமளவில் மாறுபடும்
நெருக்கமான தோற்றம்: வெற்றி கண்டுபிடிப்பு மற்றும் புதிய வடிவமைப்பிற்கான ஜெனரேட்டிவ் AI 🧩
இதன் முதன்மைப் பயன்பாட்டுச் சூழல் இதுதான்: ஒரு இலக்குப் பண்புகளுடன் பொருந்தக்கூடிய சாத்தியமான மூலக்கூறுகளைத் தொடக்கத்திலிருந்து (அல்லது ஒரு கட்டமைப்பிலிருந்து) உருவாக்குதல். நேச்சர் பயோடெக்னாலஜி 2019 (GENTRL) REINVENT 4
இது பொதுவாக நடைமுறையில் எவ்வாறு செயல்படுகிறது:
-
கட்டுப்பாடுகளை வரையறுக்கவும்
-
இலக்கு வகுப்பு, பிணைப்பு பாக்கெட் வடிவம், அறியப்பட்ட லிகண்ட்கள்
-
சொத்து வரம்புகள் (கரைதிறன், logP, PSA, முதலியன) லிபின்ஸ்கி (5 சூழலின் விதி)
-
புதுமைக் கட்டுப்பாடுகள் (அறியப்பட்ட அறிவுசார் சொத்துரிமை மண்டலங்களைத் தவிர்க்கவும்) 🧠 வோக்ட் 2023 (புதுமை மதிப்பீடு)
-
-
வேட்பாளர்களை உருவாக்குங்கள்
-
சாரக்கட்டுத் துள்ளல்
-
துண்டு வளர்ச்சி
-
"இந்த மையத்தை அலங்கரிக்கவும்" பரிந்துரைகள்
-
பன்நோக்கு உருவாக்கம் (பிணைப்பு + ஊடுருவக்கூடிய + ஓரளவு நச்சுத்தன்மையற்ற) ரீஇன்வென்ட் 4 எல்செவியர் 2024 மதிப்பாய்வு (உருவாக்க மாதிரிகள்)
-
-
தீவிரமாக வடிகட்டவும்
-
மருத்துவ வேதியியல் விதிகள்
-
PAINS மற்றும் எதிர்வினைக் குழு வடிகட்டிகள் Baell & Holloway 2010 (PAINS)
-
தொகுப்புத்திறன் சோதனைகள் AiZynthFinder 2020
-
டாக்கிங் / ஸ்கோரிங் (முழுமையற்றது ஆனால் உதவிகரமானது) நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)
-
-
தொகுப்புக்கு ஒரு சிறிய தொகுப்பைத் தேர்ந்தெடுக்கவும்
-
மனிதர்கள் இன்னும் தேர்வு செய்கிறார்கள், ஏனென்றால் மனிதர்கள் சில நேரங்களில் முட்டாள்தனத்தை மணக்க முடியும்
-
சங்கடமான உண்மை: இதன் மதிப்பு என்பது வெறும் “புதிய மூலக்கூறுகள்” மட்டுமல்ல. அது உங்கள் திட்டத்தின் கட்டுப்பாடுகளுக்குப் பொருத்தமான புதிய மூலக்கூறுகளாகும். அந்தக் கடைசிப் பகுதிதான் எல்லாமே. நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
மேலும், லேசான மிகைப்படுத்தல்கள் வருகின்றன: நன்றாகச் செய்யும்போது, ஒருபோதும் தூங்காத, ஒருபோதும் புகார் செய்யாத சளைக்காத ஜூனியர் வேதியியலாளர்களின் குழுவை நீங்கள் பணியமர்த்தியிருப்பது போல் உணரலாம். மேலும், ஒரு குறிப்பிட்ட பாதுகாப்பு உத்தி ஏன் ஒரு கனவாக இருக்கிறது என்பதையும் அவர்கள் புரிந்து கொள்ளவில்லை, எனவே... சமநிலை 😅.
நெருக்கமான தோற்றம்: ஜெனரேட்டிவ் AI (மல்டி-பாராமீட்டர் டியூனிங்) மூலம் லீட் ஆப்டிமைசேஷன் 🎛️
கனவுகள் சிக்கலாகும் இடம் லீட் ஆப்டிமைசேஷன் ஆகும்.
உங்களுக்கு வேண்டும்:
-
ஆற்றல் அதிகரிக்கும்
-
தேர்ந்தெடுக்கும் தன்மை மேல்நோக்கி
-
வளர்சிதை மாற்ற நிலைத்தன்மை அதிகரிக்கும்
-
கரைதிறன் அதிகரிப்பு
-
பாதுகாப்பு சமிக்ஞைகள் குறைந்துவிட்டன
-
ஊடுருவும் தன்மை "சரியானது"
-
இன்னும் ஒருங்கிணைக்கக்கூடியதாக இருக்கும்
இது ஒரு உன்னதமான பன்முனை உகப்பாக்கம். ஒரேயொரு கச்சிதமான கூட்டுத் தீர்வு இருப்பதாகப் பாசாங்கு செய்வதற்குப் பதிலாக, சமரசத் தீர்வுகளின் ஒரு தொகுப்பை முன்மொழிவதில் உருவாக்கச் செயற்கை நுண்ணறிவு அசாதாரணமாகச் சிறந்து விளங்குகிறது. ரீஇன்வென்ட் 4 எல்செவியர் 2024 மதிப்பாய்வு (உருவாக்க மாதிரிகள்)
அணிகள் அதைப் பயன்படுத்தும் நடைமுறை வழிகள்:
-
ஒப்புமைப் பரிந்துரை: “வெளியேற்றத்தைக் குறைத்து, வீரியத்தைத் தக்கவைக்கும் 30 வகைகளை உருவாக்குங்கள்”
-
மாற்று ஸ்கேனிங்: முரட்டுத்தனமான கணக்கெடுப்புக்குப் பதிலாக வழிகாட்டப்பட்ட ஆய்வு.
-
சாரக்கட்டு துள்ளல்: ஒரு மையமானது சுவரில் மோதும்போது (நச்சு, ஐபி அல்லது நிலைத்தன்மை)
-
விளக்கமான பரிந்துரைகள்: “இந்த முனைவுள்ள தொகுதி கரைதிறனுக்கு உதவக்கூடும், ஆனால் ஊடுருவுத்திறனைக் குறைக்கலாம்” (எப்போதும் சரியாக இருக்காது, ஆனால் உதவியானது)
ஒரு எச்சரிக்கை: பண்பு முன்கணிப்பிகள் எளிதில் பாதிப்படையக்கூடியவை. உங்கள் பயிற்சித் தரவு, உங்கள் வேதியியல் தொடருடன் பொருந்தவில்லை என்றால், அந்த மாதிரி உறுதியாகத் தவறாகக் கணிக்கக்கூடும். அதாவது, மிகப் பெரிய தவறு. அதற்காக அது வெட்கப்படாது. OECD QSAR சரிபார்ப்புக் கோட்பாடுகள் (பயன்பாட்டு வரம்பு) வீவர் 2008 (QSAR பயன்பாட்டு வரம்பு)
நெருக்கமான பார்வை: ADMET, நச்சுத்தன்மை மற்றும் “தயவுசெய்து நிரலைக் கொல்லாதீர்கள்” திரையிடல் 🧯
ADMET என்பது பல தேர்வர்கள் அமைதியாகத் தோல்வியடையும் இடமாகும். உருவாக்க செயற்கை நுண்ணறிவு உயிரியலைத் தீர்ப்பதில்லை, ஆனால் அதனால் தவிர்க்கக்கூடிய தவறுகளைக் குறைக்க முடியும். ADMETlab 2.0 Waring 2015 (attrition)
பொதுவான பாத்திரங்கள்:
-
வளர்சிதை மாற்றக் கடன்களைக் கணித்தல் (வளர்சிதை மாற்றத்தின் தளங்கள், நீக்கப் போக்குகள்)
-
நச்சுத்தன்மையின் சாத்தியமான நோக்கங்களைக் குறைத்தல் (எச்சரிக்கைகள், எதிர்வினை இடைநிலை பிரதிநிதிகள்)
-
கரைதிறன் மற்றும் ஊடுருவு திறன் வரம்புகளை மதிப்பிடுதல்
-
hERG அபாயத்தைக் குறைக்க அல்லது நிலைத்தன்மையை மேம்படுத்த மாற்றங்களைப் பரிந்துரைத்தல் 🧪 FDA (ICH E14/S7B கேள்வி-பதில்) EMA (ICH E14/S7B கண்ணோட்டம்)
மிகவும் பயனுள்ள முறை இப்படித்தான் இருக்கும்: விருப்பங்களை முன்மொழிய GenAI ஐப் பயன்படுத்தவும், ஆனால் சரிபார்க்க சிறப்பு மாதிரிகள் மற்றும் பரிசோதனைகளைப் பயன்படுத்தவும்.
ஜெனரேட்டிவ் AI என்பது சிந்தனை இயந்திரம். சரிபார்ப்பு இன்னும் மதிப்பீடுகளில் வாழ்கிறது.
நெருக்கமான பார்வை: உயிரியல் மற்றும் புரத பொறியியலுக்கான ஜெனரேட்டிவ் AI 🧬✨
மருந்து கண்டுபிடிப்பு என்பது சிறிய மூலக்கூறுகள் மட்டுமல்ல. ஜெனரேட்டிவ் AI இதற்கும் பயன்படுத்தப்படுகிறது:
-
ஆன்டிபாடி வரிசை உருவாக்கம்
-
இணைப்பு முதிர்வு பரிந்துரைகள்
-
புரத நிலைத்தன்மை மேம்பாடுகள்
-
நொதிப் பொறியியல்
-
பெப்டைட் சிகிச்சை ஆய்வு ProteinMPNN (அறிவியல் 2022) Rives 2021 (புரத மொழி மாதிரிகள்)
புரதம் மற்றும் வரிசை உருவாக்கம் சக்தி வாய்ந்ததாக இருக்க முடியும், ஏனெனில் வரிசைகளின் "மொழி" இயந்திர கற்றல் (ML) முறைகளுடன் வியக்கத்தக்க வகையில் நன்றாகப் பொருந்துகிறது. ஆனால் இதோ ஒரு சாதாரணமான பின்னோட்டம்: அது நன்றாகப் பொருந்துகிறது... பொருந்தாத வரை. ஏனெனில் நோயெதிர்ப்புத் தன்மை, வெளிப்பாடு, கிளைகோசைலேஷன் வடிவங்கள் மற்றும் மேம்பாட்டுக்கான கட்டுப்பாடுகள் மிகவும் கடுமையாக இருக்கக்கூடும். ஆல்ஃபாஃபோல்ட் (நேச்சர் 2021) புரோட்டீன்ஜெனெரேட்டர் (நேட் பயோடெக் 2024)
எனவே சிறந்த அமைப்புகளில் பின்வருவன அடங்கும்:
-
மேம்பாட்டு வடிகட்டிகள்
-
நோயெதிர்ப்புத் திறன் ஆபத்து மதிப்பீடு
-
உற்பத்தித்திறன் கட்டுப்பாடுகள்
-
விரைவான மறு செய்கைக்கான ஈரமான ஆய்வக சுழல்கள் 🧫
நீங்கள் அவற்றைத் தவிர்த்தால், தயாரிப்பில் ஒரு திவாவைப் போல நடந்து கொள்ளும் ஒரு அழகான காட்சியைப் பெறுவீர்கள்.
நெருக்கமாகப் பாருங்கள்: தொகுப்பு திட்டமிடல் மற்றும் மறு தொகுப்பு பரிந்துரைகள் 🧰
ஜெனரேட்டிவ் AI, மூலக்கூறு சிந்தனையில் மட்டுமல்லாமல், வேதியியல் செயல்பாடுகளிலும் ஊடுருவுகிறது.
மறுஒழுங்கமைப்பு திட்டமிடுபவர்கள்:
-
இலக்கு வளாகத்திற்கு செல்லும் பாதைகளை முன்மொழியுங்கள்
-
வணிக ரீதியாகக் கிடைக்கும் தொடக்கப் பொருட்களைப் பரிந்துரைக்கவும்
-
படி எண்ணிக்கை அல்லது உணரப்பட்ட சாத்தியக்கூறு அடிப்படையில் பாதைகளை வரிசைப்படுத்துங்கள்
-
வேதியியலாளர்கள் “அழகான ஆனால் சாத்தியமற்ற” யோசனைகளை விரைவாக நிராகரிக்க உதவுங்கள் AiZynthFinder 2020 Coley 2018 (CASP)
இது நிகழ்நேரத்தை மிச்சப்படுத்தும், குறிப்பாக நீங்கள் பல வேட்பாளர் கட்டமைப்புகளை ஆராயும்போது. இருப்பினும், மனிதர்கள் இங்கே மிகவும் முக்கியமானவர்கள் ஏனெனில்:
-
வினைப்பொருள் கிடைக்கும் தன்மை மாற்றங்கள்
-
பாதுகாப்பு மற்றும் அளவிலான கவலைகள் உண்மையானவை
-
சில படிகள் காகிதத்தில் நன்றாகத் தெரிந்தாலும் மீண்டும் மீண்டும் தோல்வியடைகின்றன
இது ஒரு முழுமையற்ற உருவகம்தான், ஆனாலும் நான் இதைப் பயன்படுத்துகிறேன்: பின்னோக்குத் தொகுப்பு செயற்கை நுண்ணறிவு என்பது, பெரும்பாலும் சரியாகவே இருக்கும் ஒரு ஜிபிஎஸ் போன்றது; ஆனால் சில சமயங்களில் அது உங்களை ஒரு ஏரியின் வழியாக வழிநடத்தி, அது ஒரு குறுக்குவழி என்று பிடிவாதமாகச் சொல்லும். 🚗🌊 கோலி 2017 (கணினி உதவியுடனான பின்னோக்குத் தொகுப்பு)
தரவு, மல்டிமாடல் மாதிரிகள் மற்றும் ஆய்வகங்களின் சீரழிந்த யதார்த்தம் 🧾🧪
ஜெனரேட்டிவ் AI தரவை விரும்புகிறது. ஆய்வகங்கள் தரவை உருவாக்குகின்றன. காகிதத்தில், அது எளிமையானதாகத் தெரிகிறது.
ஹா. இல்லை.
உண்மையான ஆய்வக தரவு:
-
முழுமையற்ற
-
சத்தம் நிறைந்த
-
தொகுதி விளைவுகள் நிறைந்தது லீக் மற்றும் பலர். 2010 (தொகுதி விளைவுகள்) நேச்சர் 2024 (செல் படமாக்கலில் தொகுதி விளைவுகள்)
-
வடிவங்களில் சிதறிக்கிடக்கிறது
-
"படைப்பு" பெயரிடும் மரபுகளால் ஆசீர்வதிக்கப்பட்டது
மல்டிமோடல் ஜெனரேட்டிவ் அமைப்புகள் இணைக்கலாம்:
-
மதிப்பீட்டு முடிவுகள்
-
வேதியியல் கட்டமைப்புகள்
-
படங்கள் (நுண்ணோக்கி, ஹிஸ்டாலஜி)
-
ஓமிக்ஸ் (டிரான்ஸ்கிரிப்டோமிக்ஸ், புரோட்டியோமிக்ஸ்)
-
உரை (நெறிமுறைகள், ELNகள், அறிக்கைகள்) npj டிஜிட்டல் மருத்துவம் 2025 (உயிரித்தொழில்நுட்பத்தில் பன்முறைமை) மருத்துவப் படப் பகுப்பாய்வு 2025 (மருத்துவத்தில் பன்முறைமை செயற்கை நுண்ணறிவு)
இது வேலை செய்யும் போது, அது அருமையாக இருக்கும். நீங்கள் வெளிப்படையாகத் தெரியாத வடிவங்களைக் கண்டறியலாம் மற்றும் ஒரு நிபுணர் தவறவிடக்கூடிய பரிசோதனைகளை முன்மொழியலாம்.
அது தோல்வியடையும்போது, அமைதியாகவே தோல்வியடைகிறது. அது கதவைச் சாத்திவிடுவதில்லை. அது உங்களை ஒரு உறுதியான தவறான முடிவை நோக்கி மெதுவாகத் தள்ளுகிறது. அதனால்தான் ஆளுகை, சரிபார்ப்பு மற்றும் கள ஆய்வு ஆகியவை தவிர்க்க முடியாதவை. மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்) npj டிஜிட்டல் மெடிசின் 2025 (மாயத்தோற்றம் + பாதுகாப்பு கட்டமைப்பு)
அபாயங்கள், வரம்புகள் மற்றும் “சரளமான வெளியீட்டைக் கண்டு ஏமாறாதீர்கள்” பிரிவு ⚠️
நீங்கள் ஒன்றை மட்டும் நினைவில் கொள்ள வேண்டும் என்றால், இதை நினைவில் கொள்ளுங்கள்: உருவாக்கும் செயற்கை நுண்ணறிவு (generative AI) பிறரை நம்பவைக்கும் திறன் கொண்டது. அது தவறாக இருக்கும்போதே, சரியாகத் தோன்றக்கூடும். மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்)
முக்கிய அபாயங்கள்:
-
மாயத்தோற்ற இயக்கமுறைகள்: உண்மையல்லாத நம்பத்தகுந்த உயிரியல் மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்)
-
தரவுக் கசிவு: அறியப்பட்ட சேர்மங்களுக்கு மிகவும் நெருக்கமான ஒன்றை உருவாக்குதல் USENIX 2021 (பயிற்சித் தரவுப் பிரித்தெடுத்தல்) Vogt 2023 (புதுமை/தனித்துவம் தொடர்பான கவலைகள்)
-
அதீத உகப்பாக்கம்: சோதனைக் குழாயில் பலனளிக்காத கணிக்கப்பட்ட மதிப்பெண்களைத் துரத்துதல் நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
-
சார்பு: பயிற்சி தரவு சில வேதியியல் வகைகள் அல்லது இலக்குகளை நோக்கி சாய்ந்துள்ளது Vogt 2023 (மாதிரி மதிப்பீடு + சார்பு/புதுமை)
-
போலிப் புதுமை: உண்மையில் அற்பமான வகைகளாக இருக்கும் “புதிய” மூலக்கூறுகள் வோக்ட் 2023
-
விளக்கக்கூடிய இடைவெளிகள்: பங்குதாரர்களுக்கு முடிவுகளை நியாயப்படுத்துவது கடினம் OECD QSAR சரிபார்ப்புக் கொள்கைகள்
-
பாதுகாப்பு மற்றும் அறிவுசார் சொத்துரிமை தொடர்பான கவலைகள்: அறிவிப்புகளில் உள்ள முக்கியமான நிரல் விவரங்கள் 😬 யூசெனிக்ஸ் 2021 (பயிற்சித் தரவு பிரித்தெடுத்தல்)
நடைமுறையில் உதவும் தணிப்புகள்:
-
மனிதர்களை முடிவெடுக்கும் சுழற்சியில் வைத்திருங்கள்
-
கண்டறியும் தன்மைக்கான பதிவு அறிவுறுத்தல்கள் மற்றும் வெளியீடுகள்
-
செங்குத்து முறைகள் (மதிப்பீடுகள், மாற்று மாதிரிகள்) மூலம் சரிபார்க்கவும்
-
கட்டுப்பாடுகளையும் வடிப்பான்களையும் தானாகவே செயல்படுத்தவும்
-
வெளியீடுகளை உண்மை மாத்திரைகளாக அல்ல, கருதுகோள்களாகக் கருதுங்கள் OECD QSAR வழிகாட்டுதல்
ஜெனரேட்டிவ் AI என்பது ஒரு சக்தி கருவி. சக்தி கருவிகள் உங்களை ஒரு தச்சராக மாற்றாது... நீங்கள் என்ன செய்கிறீர்கள் என்று உங்களுக்குத் தெரியாவிட்டால் அவை வேகமாக தவறுகளைச் செய்கின்றன.
குழப்பம் இல்லாமல் குழுக்கள் எவ்வாறு ஜெனரேட்டிவ் AI-ஐ ஏற்றுக்கொள்கின்றன 🧩🛠️
அணிகள் பெரும்பாலும் நிறுவனத்தை ஒரு அறிவியல் கண்காட்சியாக மாற்றாமல் இதைப் பயன்படுத்த விரும்புகின்றன. நடைமுறை தத்தெடுப்பு பாதை இதுபோல் தெரிகிறது:
-
ஒரு தடையுடன் தொடங்குங்கள் (வெற்றி விரிவாக்கம், அனலாக் உருவாக்கம், இலக்கிய வரிசைப்படுத்தல்) நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)
-
ஒரு கச்சிதமான மதிப்பீட்டு சுழற்சியை உருவாக்குங்கள் (வடிகட்டிகள் + டாகிங் + பண்புச் சோதனைகள் + வேதியியல் ஆய்வு) REINVENT 4 AiZynthFinder 2020
-
விளைவுகளை அளவிடுதல் (நேர சேமிப்பு, வெற்றி விகிதம், தேய்மானக் குறைப்பு) வாரிங் 2015 (தேய்மானக் குறைப்பு)
-
ஏற்கனவே உள்ள கருவிகளுடன் ஒருங்கிணைக்கவும் (ELN, கூட்டுப் பதிவேடு, மதிப்பீட்டு தரவுத்தளங்கள்) எடின்பர்க் ELN வளம்
-
பயன்பாட்டு விதிகளை உருவாக்குங்கள் (என்ன கேட்கப்படலாம், என்ன ஆஃப்லைனில் இருக்கும், படிகளை மதிப்பாய்வு செய்யவும்) USENIX 2021 (தரவு பிரித்தெடுக்கும் ஆபத்து)
-
மக்களுக்கு மென்மையாகப் பயிற்சி அளியுங்கள் (உண்மையாகவே, பெரும்பாலான தவறுகள் மாதிரியைப் பின்பற்றுவதால் அல்ல, தவறான பயன்பாட்டாலேயே ஏற்படுகின்றன) மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்)
மேலும், கலாச்சாரத்தை குறைத்து மதிப்பிடாதீர்கள். வேதியியலாளர்கள் AI தங்கள் மீது திணிக்கப்படுவதாக உணர்ந்தால், அவர்கள் அதைப் புறக்கணிப்பார்கள். அது அவர்களின் நேரத்தை மிச்சப்படுத்தி, அவர்களின் நிபுணத்துவத்தை மதித்து நடந்தால், அவர்கள் அதை விரைவாக ஏற்றுக்கொள்வார்கள். மனிதர்கள் அப்படித்தான் வேடிக்கையானவர்கள் 🙂.
நீங்கள் பெரிதாக்கும்போது மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு என்ன? 🔭
விரிவாகப் பார்க்கையில், இதன் பங்கு “விஞ்ஞானிகளுக்குப் பதிலாக வருவது” அல்ல. அது “அறிவியல் அலைவரிசையை விரிவுபடுத்துவது” ஆகும். நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
இது அணிகளுக்கு உதவுகிறது:
-
வாரத்திற்கு அதிகமான கருதுகோள்களை ஆராயுங்கள்
-
ஒரு சுழற்சிக்கு அதிகமான வேட்பாளர் கட்டமைப்புகளை முன்மொழியுங்கள்
-
பரிசோதனைகளுக்கு மிகவும் புத்திசாலித்தனமாக முன்னுரிமை கொடுங்கள்
-
வடிவமைப்புக்கும் சோதனைக்கும் இடையில் மறு செய்கை சுழல்களை சுருக்கவும்
-
சிலோஸ் முழுவதும் அறிவைப் பகிர்ந்து கொள்ளுங்கள் வடிவங்கள் 2025 (மருந்து கண்டுபிடிப்பில் LLMகள்)
மேலும் மிகவும் குறைத்து மதிப்பிடப்பட்ட ஒரு விஷயம்: இது வீணாக்காமல் இருக்க . மக்கள் இயந்திரம், உத்தி மற்றும் விளக்கம் பற்றி சிந்திக்க வேண்டும் - கைமுறையாக மாறுபாடு பட்டியல்களை உருவாக்க நாட்களை செலவிடக்கூடாது. நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)
ஆம், மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு ஒரு முடுக்கி, ஜெனரேட்டர், வடிகட்டி மற்றும் சில நேரங்களில் ஒரு பிரச்சனையை உருவாக்குபவராகவும் செயல்படுகிறது. ஆனால் மதிப்புமிக்க ஒன்றாகும்.
இறுதிச் சுருக்கம் 🧾✅
நவீன மருந்து கண்டுபிடிப்பில் உருவாக்க செயற்கை நுண்ணறிவு ஒரு முக்கியத் திறனாக மாறி வருகிறது, ஏனெனில் அது மனிதர்களை விட வேகமாக மூலக்கூறுகள், கருதுகோள்கள், வரிசைமுறைகள் மற்றும் வழிமுறைகளை உருவாக்க முடியும் - மேலும், சிறந்த சோதனைகளைத் தேர்ந்தெடுக்கவும் இது குழுக்களுக்கு உதவும். ஃபிரான்டியர்ஸ் இன் டிரக் டிஸ்கவரி 2024 ஆய்வு நேச்சர் 2023 (இணைப்பி கண்டுபிடிப்பு ஆய்வு)
சுருக்கக் குறிப்புகள்:
-
ஆரம்பகட்ட கண்டறிதல் மற்றும் முன்னணி உகப்பாக்க சுழற்சிகளில் இது சிறந்தது ⚙️ ரீஇன்வென்ட் 4
-
இது சிறிய மூலக்கூறுகள் மற்றும் உயிரியல் பொருட்களை ஆதரிக்கிறது GENTRL (நேச்சர் பயோடெக் 2019) புரோட்டீன்MPNN (சயின்ஸ் 2022)
-
இது ஐடியா புனலை விரிவுபடுத்துவதன் மூலம் உற்பத்தித்திறனை அதிகரிக்கிறது நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)
-
நம்பிக்கை சார்ந்த அபத்தங்களைத் தவிர்க்க கட்டுப்பாடுகள், சரிபார்ப்பு மற்றும் மனிதர்கள் தேவை . OECD QSAR கோட்பாடுகள். மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்றங்கள்)
-
மிகப்பெரிய வெற்றிகள் Nature 2023 (ligand discovery review) மூலம் சந்தைப்படுத்தல் நுரையிலிருந்து அல்ல, பணிப்பாய்வு ஒருங்கிணைப்பிலிருந்து வருகின்றன
நீங்கள் அதை ஒரு தீர்க்கதரிசியாக அல்லாமல், ஒரு கூட்டாளியாகக் கருதினால், அதனால் திட்டங்களை உண்மையாகவே முன்னோக்கி நகர்த்த முடியும். ஒருவேளை நீங்கள் அதை ஒரு தீர்க்கதரிசியைப் போலக் கருதினால்... நீங்கள் மீண்டும் அந்த ஜிபிஎஸ்ஸைப் பின்தொடர்ந்து ஏரிக்குள் செல்ல நேரிடலாம்.
நடைமுறை உதாரணம்: கட்டுப்பாட்டை முதன்மைப்படுத்தும் மூலக்கூறு உருவாக்கும் பணிப்பாய்வை உருவாக்குதல் 🧪
சூழ்நிலை
கற்பனையான ஆனால் யதார்த்தமான ஒரு சிறிய உயிரித்தொழில்நுட்பக் குழு, அழற்சி நோய் தொடர்பான ஒரு இலக்கில் பணியாற்றி வருகிறது. பரிசோதனைகளின் மூலம் அவர்களிடம் ஏற்கனவே 42 உறுதிசெய்யப்பட்ட பலவீனமான வெற்றிகள் உள்ளன, ஆனால் அவற்றில் பெரும்பாலானவை குறைந்த கரைதிறனைக் கொண்டுள்ளன, மேலும் சில போட்டியாளர்களின் காப்புரிமை இடத்திற்கு மிக அருகில் அமைந்துள்ளன.
ஒரு உருவாக்க மாதிரியிடம் "சிறந்த மூலக்கூறுகளைக் கண்டுபிடி" என்று கேட்பதற்குப் பதிலாக - இது அடிப்படையில் நேர்த்தியான அபத்தத்தைப் பெறுவதற்கான ஒரு அழைப்பாகும் - அந்தக் குழு வெற்றி விரிவாக்கத்திற்காக ஒரு கச்சிதமான பணிப்பாய்வை உருவாக்குகிறது.
நோக்கம் எளிமையானது: பரந்த அளவிலான ஒப்புமைகளை உருவாக்கி, அவற்றை கடுமையாக வடிகட்டி, மிகவும் ஏற்கத்தகுந்த வேட்பாளர்களை மட்டும் மருத்துவ வேதியியல் மதிப்பாய்வுக்கு அனுப்புவது.
உதவியாளருக்கு என்ன தேவை
குழு இந்த அமைப்பை வழங்குகிறது:
இலக்கு விவரக்குறிப்பு மற்றும் அறியப்பட்ட லிகண்ட் தகவல்
உறுதிப்படுத்தப்பட்ட 42 தாக்கப்பட்ட கட்டமைப்புகள்
மூலக்கூறு எடை, logP, TPSA, கரைதிறன் மற்றும் கணிக்கப்பட்ட வெளியேற்றம் ஆகியவற்றிற்கான பண்பு வரம்புகள்
அறிவுசார் சொத்துரிமை தவிர்ப்பிற்கான தடுக்கப்பட்ட கட்டமைப்புகள் மற்றும் ஒற்றுமை வரம்புகள்
PAINS மற்றும் எதிர்வினைக் குழு வடிகட்டிகள் Baell & Holloway 2010
ADMET கணிப்பு ADMETlab 2.0ஐச் சரிபார்க்கிறது
ரெட்ரோசிந்தசிஸ் சாத்தியக்கூறு சோதனைகள் AiZynthFinder 2020
இறுதித் தேர்வுக்கான மனித மதிப்பாய்வு விதிகள்
முக்கியமான விஷயம்: அந்த மாடல், செயல்திறனை மட்டும் மேம்படுத்திக்கொள்ள அனுமதிக்கப்படவில்லை. அது செயல்திறன், புதுமை, மேம்படுத்தும் திறன் மற்றும் தொகுக்கும் திறன் ஆகியவற்றைச் சமநிலைப்படுத்த வேண்டும்.
எடுத்துக்காட்டு அறிவுறுத்தல்
இந்த உறுதிசெய்யப்பட்ட வெற்றி கட்டமைப்புகளின் அடிப்படையில் 150 ஒப்புமை யோசனைகளை உருவாக்குங்கள். மூலக்கூறு எடையை 300 முதல் 480 வரையிலும், கணிக்கப்பட்ட logP-ஐ 1.5 முதல் 4.0 வரையிலும், TPSA-ஐ 110-க்குக் கீழும் வைத்திருங்கள், மேலும் IP கோப்பில் பட்டியலிடப்பட்டுள்ள தடுக்கப்பட்ட சாரக்கட்டுகளைத் தவிர்க்கவும். PAINS எச்சரிக்கைகள் இல்லாத, வெளிப்படையான வினைபுரியும் குழுக்கள் இல்லாத, மற்றும் ஐந்து அல்லது அதற்கும் குறைவான படிகளைக் கொண்ட நம்பத்தகுந்த தொகுப்பு வழியைக் கொண்ட கட்டமைப்புகளுக்கு முன்னுரிமை கொடுங்கள். ஒவ்வொரு மூலக்கூறுக்கும், முக்கிய மாற்றம், உத்தேசிக்கப்பட்ட பண்பு மேம்பாடு, முக்கிய இடர், மற்றும் அந்தச் சேர்மம் நிராகரிக்கப்பட வேண்டுமா, மதிப்பாய்வு செய்யப்பட வேண்டுமா அல்லது முன்னுரிமை அளிக்கப்பட வேண்டுமா என்பதை விளக்குங்கள்.
அதை எப்படி சோதிப்பது
குழு முதல் வெளியீட்டை நம்பவில்லை. அவர்கள் ஒரு சிறிய மதிப்பீட்டுச் சுழற்சியை இயக்குகிறார்கள்:
உருவாக்கப்பட்ட மூலக்கூறுகள் பண்புக் கட்டுப்பாடுகளுக்கு உட்படுகின்றனவா எனச் சரிபார்க்கவும்
கிட்டத்தட்ட ஒரே மாதிரியானவைகளையும், அறியப்பட்ட சேர்மங்களுக்கு மிகவும் நெருக்கமான கட்டமைப்புகளையும் நீக்கவும்
PAINS, வினைபுரியும் குழு மற்றும் அடிப்படை மருத்துவ வேதியியல் வடிப்பான்களை இயக்கவும்
ADMET கணிப்புகளை ஒப்பிடுவதற்கு இரண்டாவது பண்பு மாதிரியை இயக்கவும்
இரண்டு வேதியியலாளர்களிடம் முதல் 30 தேர்வர்களுக்குத் தனித்தனியாக மதிப்பெண் வழங்குமாறு கேளுங்கள்
அதிக மதிப்பெண் பெற்ற குறுகிய பட்டியலை மட்டும் தொகுப்பு விவாதத்திற்கு அனுப்பவும்
ஒரு மதிப்புமிக்க சோதனைக் கேள்வி இதுதான்: “செயற்கை நுண்ணறிவு இந்த மூலக்கூறைப் பரிந்துரைக்காமல் இருந்திருந்தால், நாம் இன்னமும் இதைக் கருத்தில் கொள்வோமா?”
பதில் இல்லை எனும்போது, குழு அதற்கான காரணத்தைக் கேட்கிறது. சில சமயங்களில் அது ஒரு நல்ல புதிய யோசனையை வெளிப்படுத்துகிறது. சில சமயங்களில் அது, மாதிரி அடிப்படையிலான வீண் கற்பனையை வெளிப்படுத்துகிறது.
முடிவு
இது ஒரு விளக்க முடிவு மட்டுமே - உண்மையான நிறுவனத்தின் செயல்முறை ஆய்வு அல்ல.
மூன்று மாதிரி ஹிட்-எக்ஸ்பான்ஷன் பணிகளின் நேரக் கணக்கீட்டின் அடிப்படையில், 60 அனலாக் யோசனைகளை உருவாக்கி வகைப்படுத்த, கைமுறை பணிப்பாய்வுக்குச் சுமார் 5 மணிநேரம் ஆனது. கட்டுப்பாட்டை முதன்மைப்படுத்தும் GenAI பணிப்பாய்வு, சுமார் 55 நிமிடங்களில் 150 ஆரம்பநிலை வேட்பாளர்களை உருவாக்கியது.
வடிகட்டிய பிறகு, முழுமையான பரிசோதனையில் 27 வேட்பாளர்கள் மட்டுமே எஞ்சினர். அவர்களில், வேதியியலாளர்கள் 9 பேரை ஆழமான மதிப்பாய்வுக்குத் தகுதியானவர்கள் என்றும், 12 பேரை "சுவாரஸ்யமானது ஆனால் அபாயகரமானது" என்றும், 6 பேரை மதிப்பாய்வின்போதே நிராகரிக்க வேண்டும் என்றும் குறிப்பிட்டனர்.
அதன் அர்த்தம், மதிப்புமிக்க வெளியீடு என்பது “150 புதிய மூலக்கூறுகள்” அல்ல. மதிப்புமிக்க வெளியீடு என்பது, 1 மணி நேரத்திற்கும் குறைவான நேரத்தில், ஒவ்வொரு வேட்பாளரும் எந்தெந்தக் கட்டுப்பாடுகளில் தேர்ச்சி பெற்றனர் அல்லது தோல்வியடைந்தனர் என்பதைக் காட்டும் தெளிவான தணிக்கைப் பதிவுடன், மதிப்பாய்வு செய்யக்கூடிய 9 வேட்பாளர்கள் ஆவர்.
ஒரு குழு இதைக் கண்காணிப்பதன் மூலம் சரிபார்க்கலாம்:
ஒவ்வொரு வடிவமைப்பு சுழற்சிக்கும் செலவழிக்கப்படும் நேரம்
உருவாக்கப்பட்ட கட்டமைப்புகளின் எண்ணிக்கை
வடிப்பான்களால் அகற்றப்பட்ட சதவீதம்
வேதியியலாளர் ஏற்றுக்கொள்ளும் விகிதம்
தொகுப்பிற்காக தேர்ந்தெடுக்கப்பட்ட வேட்பாளர்களின் எண்ணிக்கை
பின்னர் பரிசோதனையில் செயலில் உள்ளதாக உறுதிப்படுத்தப்பட்ட எண்ணிக்கை
என்ன தவறு நடக்கக்கூடும்?
இந்த மாதிரி, உண்மையான சிறந்த வேதியியலை முன்மொழிவதற்குப் பதிலாக, வடிப்பான்களைச் சுற்றியே உகந்ததாக்கிக் கொள்ளலாம்.
ஒரு தேர்வர், கணிக்கப்பட்ட ADMET சோதனையில் மிகச் சிறப்பாகத் தோன்றினாலும், உண்மையான சோதனையில் உடனடியாகத் தோல்வியடையலாம். OECD QSAR சரிபார்ப்புக் கொள்கைகள்
கிடைக்காத வினைப்பொருட்கள், சிரமமான சூழ்நிலைகள் அல்லது பாதுகாப்பற்ற வேதியியலைச் சார்ந்திருந்தாலும், பின்னோக்குத் தொகுப்பு முறைகள் நம்பத்தகுந்தவையாகத் தோன்றலாம்.
புதுமை வடிகட்டியானது, மதிப்புமிக்க சேர்மங்களை மிகவும் தீவிரமாக நீக்கிவிடக்கூடும், அல்லது அறியப்பட்ட அறிவுசார் சொத்துரிமைக்கு (IP) இன்னும் மிகவும் நெருக்கமாக இருக்கும் மூலக்கூறுகளை அனுமதித்துவிடக்கூடும்.
தரவரிசைப்படுத்தப்பட்ட பட்டியலை உண்மையாகக் கருதுவதே மிகப்பெரிய தவறு. அது முன்னுரிமை அளிக்கப்பட்ட கருதுகோள்களின் பட்டியல் மட்டுமே.
நடைமுறைப் பாடம்
மருந்து கண்டுபிடிப்பில் உருவாக்க செயற்கை நுண்ணறிவின் மிகச்சிறந்த பயன்பாடு என்பது, “பொத்தானை அழுத்தி மருந்தைப் பெறுவது” அல்ல. அது ஒரு கட்டுப்படுத்தப்பட்ட யோசனைத் தொழிற்சாலை: பரந்த அளவில் யோசனைகளை உருவாக்குதல், கடுமையாக வடிகட்டுதல், ஒவ்வொரு முடிவையும் ஆவணப்படுத்துதல், மற்றும் இறுதி முடிவை விஞ்ஞானிகளை எடுக்க விடுதல்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு என்ன?
ஆரம்பகால கண்டுபிடிப்பு மற்றும் முன்னணி உகப்பாக்கத்தில், வேட்பாளர் மூலக்கூறுகள், புரத வரிசைமுறைகள், தொகுப்பு வழிகள் மற்றும் உயிரியல் கருதுகோள்களை முன்மொழிவதன் மூலம், ஜெனரேட்டிவ் AI முதன்மையாக யோசனை புனலை விரிவுபடுத்துகிறது. பல விருப்பங்களை உருவாக்கி, பின்னர் கடினமாக வடிகட்டுவதன் மூலம் "சோதனைகளை மாற்றுதல்" குறைவாகவும், "சிறந்த சோதனைகளைத் தேர்ந்தெடுப்பது" அதிகமாகவும் உள்ளது. இது ஒரு முழுமையான முடிவெடுப்பவராக அல்ல, ஒரு ஒழுக்கமான பணிப்பாய்விற்குள் ஒரு முடுக்கியாக சிறப்பாகச் செயல்படுகிறது.
மருந்து கண்டுபிடிப்பு குழாய் முழுவதும் ஜெனரேட்டிவ் AI எங்கு சிறப்பாக செயல்படுகிறது?
கருதுகோள் இடம் பரந்ததாகவும், மறு செய்கை விலை உயர்ந்ததாகவும் இருக்கும் இடங்களில், அதாவது ஹிட் ஐடெண்டிஃபிகேஷன், டி நோவோ டிசைன் மற்றும் லீட் ஆப்டிமைசேஷன் போன்றவற்றில் இது அதிக மதிப்பை வழங்க முனைகிறது. ADMET ட்ரேஜ், ரெட்ரோசிந்தசிஸ் பரிந்துரைகள் மற்றும் இலக்கியம் அல்லது கருதுகோள் ஆதரவுக்கும் குழுக்கள் இதைப் பயன்படுத்துகின்றன. ஒரு மாதிரி "புத்திசாலித்தனமாக" இருக்கும் என்று எதிர்பார்ப்பதை விட, வடிகட்டிகள், ஸ்கோரிங் மற்றும் மனித மதிப்பாய்வு மூலம் தலைமுறையை ஒருங்கிணைப்பதன் மூலம் பொதுவாக மிகப்பெரிய ஆதாயங்கள் வருகின்றன
உற்பத்தி மாதிரிகள் பயனற்ற மூலக்கூறுகளை உருவாக்காதபடி கட்டுப்பாடுகளை எவ்வாறு அமைப்பது?
உருவாக்கத்திற்கு முன் கட்டுப்பாடுகளை வரையறுப்பது ஒரு நடைமுறை அணுகுமுறையாகும்: சொத்து வரம்புகள் (கரைதிறன் அல்லது logP இலக்குகள் போன்றவை), சாரக்கட்டு அல்லது துணை அமைப்பு விதிகள், பிணைப்பு-தள அம்சங்கள் மற்றும் புதுமை வரம்புகள். பின்னர் மருத்துவ வேதியியல் வடிப்பான்கள் (PAINS/வினைத்திறன் குழுக்கள் உட்பட) மற்றும் தொகுப்புத்தன்மை சோதனைகளை அமல்படுத்தவும். கட்டுப்பாடு-முதல் தலைமுறை பரவல்-பாணி மூலக்கூறு வடிவமைப்பு மற்றும் REINVENT 4 போன்ற கட்டமைப்புகளுடன் குறிப்பாக உதவியாக இருக்கும், அங்கு பல்நோக்கு இலக்குகளை குறியாக்கம் செய்யலாம்.
மாயத்தோற்றங்கள் மற்றும் அதீத தன்னம்பிக்கையைத் தவிர்க்க குழுக்கள் GenAI வெளியீடுகளை எவ்வாறு சரிபார்க்க வேண்டும்?
ஒவ்வொரு வெளியீட்டையும் ஒரு முடிவாக அல்ல, ஒரு கருதுகோளாகக் கருதி, மதிப்பீடுகள் மற்றும் செங்குத்து மாதிரிகள் மூலம் சரிபார்க்கவும். ஆக்ரோஷமான வடிகட்டுதல், டாக்கிங் அல்லது பொருத்தமான இடங்களில் ஸ்கோரிங் செய்தல் மற்றும் QSAR-பாணி முன்கணிப்பாளர்களுக்கான பொருந்தக்கூடிய-டொமைன் சோதனைகளுடன் உருவாக்கத்தை இணைக்கவும். சாத்தியமான போதெல்லாம் நிச்சயமற்ற தன்மையைக் காணும்படி செய்யுங்கள், ஏனெனில் மாதிரிகள் விநியோகத்திற்கு வெளியே உள்ள வேதியியல் அல்லது நிலையற்ற உயிரியல் கூற்றுகளில் நம்பிக்கையுடன் தவறாக இருக்கலாம். மனித-இன்-தி-லூப் மதிப்பாய்வு ஒரு முக்கிய பாதுகாப்பு அம்சமாகவே உள்ளது.
தரவு கசிவு, ஐபி ஆபத்து மற்றும் "மனப்பாடம் செய்யப்பட்ட" வெளியீடுகளை எவ்வாறு தடுப்பது?
தணிக்கை வசதிக்காக, முக்கியமான நிரல் விவரங்கள் ப்ராம்ட்களிலும், லாக் ப்ராம்ட்கள்/வெளியீடுகளிலும் தற்செயலாக வைக்கப்படாமல் இருக்க, ஆளுகை மற்றும் அணுகல் கட்டுப்பாடுகளைப் பயன்படுத்தவும். உருவாக்கப்பட்ட வேட்பாளர்கள் அறியப்பட்ட கலவைகள் அல்லது பாதுகாக்கப்பட்ட பகுதிகளுக்கு மிக அருகில் உட்காராமல் இருக்க, புதுமை மற்றும் ஒற்றுமை சரிபார்ப்புகளைச் செயல்படுத்தவும். வெளிப்புற அமைப்புகளில் என்ன தரவு அனுமதிக்கப்படுகிறது என்பது பற்றிய தெளிவான விதிகளை வைத்திருங்கள், மேலும் அதிக உணர்திறன் கொண்ட பணிகளுக்கு கட்டுப்படுத்தப்பட்ட சூழல்களை விரும்புங்கள். மனித மதிப்பாய்வு "மிகவும் பழக்கமான" பரிந்துரைகளை முன்கூட்டியே பெற உதவுகிறது.
லீட் ஆப்டிமைசேஷன் மற்றும் மல்டி-பாராமீட்டர் டியூனிங்கிற்கு ஜெனரேட்டிவ் AI எவ்வாறு பயன்படுத்தப்படுகிறது?
முன்னணி உகப்பாக்கத்தில், ஜெனரேட்டிவ் AI மதிப்புமிக்கது, ஏனெனில் இது ஒரு "சரியான" சேர்மத்தைத் துரத்துவதற்குப் பதிலாக பல பரிமாற்ற தீர்வுகளை முன்மொழிய முடியும். பொதுவான பணிப்பாய்வுகளில் அனலாக் பரிந்துரை, வழிகாட்டப்பட்ட மாற்று ஸ்கேனிங் மற்றும் ஆற்றல், நச்சு அல்லது IP கட்டுப்பாடுகள் முன்னேற்றத்தைத் தடுக்கும்போது சாரக்கட்டுத் துள்ளல் ஆகியவை அடங்கும். சொத்து முன்கணிப்பாளர்கள் உடையக்கூடியவர்களாக இருக்கலாம், எனவே அணிகள் பொதுவாக பல மாதிரிகளுடன் வேட்பாளர்களை தரவரிசைப்படுத்தி, பின்னர் சிறந்த விருப்பங்களை சோதனை ரீதியாக உறுதிப்படுத்துகின்றன.
உயிரியல் மற்றும் புரத பொறியியலிலும் ஜெனரேட்டிவ் AI உதவுமா?
ஆம் - ஆன்டிபாடி வரிசை உருவாக்கம், தொடர்பு முதிர்வு யோசனைகள், நிலைப்புத்தன்மை மேம்பாடுகள் மற்றும் நொதி அல்லது பெப்டைட் ஆய்வுக்கு குழுக்கள் இதைப் பயன்படுத்துகின்றன. புரதம்/வரிசை உருவாக்கம் உருவாக்கப்படாமல் நம்பத்தகுந்ததாகத் தோன்றலாம், எனவே வளர்ச்சி, நோயெதிர்ப்புத் திறன் மற்றும் உற்பத்தித்திறன் வடிப்பான்களைப் பயன்படுத்துவது முக்கியம். ஆல்பாஃபோல்ட் போன்ற கட்டமைப்பு கருவிகள் பகுத்தறிவை ஆதரிக்க முடியும், ஆனால் "நம்பத்தகுந்த கட்டமைப்பு" இன்னும் வெளிப்பாடு, செயல்பாடு அல்லது பாதுகாப்பிற்கான சான்றாக இல்லை. ஈரமான-ஆய்வக சுழல்கள் அவசியமானவை.
ஜெனரேட்டிவ் AI எவ்வாறு தொகுப்பு திட்டமிடல் மற்றும் மறுஒழுங்கமைப்பை ஆதரிக்கிறது?
மறுஒழுங்கமைப்பு திட்டமிடுபவர்கள் வழிகள், தொடக்கப் பொருட்கள் மற்றும் பாதை தரவரிசைகளை பரிந்துரைக்கலாம், இது யோசனையை விரைவுபடுத்தவும் சாத்தியமற்ற பாதைகளை விரைவாக நிராகரிக்கவும் உதவும். AiZynthFinder-பாணி திட்டமிடல் போன்ற கருவிகள் மற்றும் அணுகுமுறைகள் வேதியியலாளர்களின் நிஜ-உலக சாத்தியக்கூறு சோதனைகளுடன் இணைக்கப்படும்போது மிகவும் பயனுள்ளதாக இருக்கும். கிடைக்கும் தன்மை, பாதுகாப்பு, அளவுகோல் கட்டுப்பாடுகள் மற்றும் நடைமுறையில் தோல்வியடையும் "காகித எதிர்வினைகள்" இன்னும் மனித தீர்ப்பு தேவை. இந்த வழியில் பயன்படுத்தப்பட்டால், வேதியியல் தீர்க்கப்பட்டதாக பாசாங்கு செய்யாமல் நேரத்தை மிச்சப்படுத்துகிறது.
குறிப்புகள்
-
இயற்கை - லிகாண்ட் கண்டுபிடிப்பு மதிப்பாய்வு (2023) - nature.com
-
இயற்கை உயிரி தொழில்நுட்பம் - GENTRL (2019) - nature.com
-
இயற்கை - ஆல்பாஃபோல்ட் (2021) - nature.com
-
இயற்கை - RFபரவல் (2023) - nature.com
-
இயற்கை உயிரி தொழில்நுட்பம் - புரத ஜெனரேட்டர் (2024) - nature.com
-
இயற்கை தொடர்புகள் - செல் இமேஜிங்கில் தொகுதி விளைவுகள் (2024) - nature.com
-
npj டிஜிட்டல் மருத்துவம் - மாயத்தோற்றம் + பாதுகாப்பு கட்டமைப்பு (2025) - nature.com
-
npj டிஜிட்டல் மருத்துவம் - உயிரி தொழில்நுட்பத்தில் மல்டிமாடல் (2025) - nature.com
-
அறிவியல் - புரதம்MPNN (2022) - science.org
-
செல் வடிவங்கள் - மருந்து கண்டுபிடிப்பில் எல்.எல்.எம்.கள் (2025) - cell.com
-
சயின்ஸ் டைரக்ட் (எல்சேவியர்) - புதிய மருந்து வடிவமைப்பில் உருவாக்க மாதிரிகள் (2024) - sciencedirect.com
-
சயின்ஸ் டைரக்ட் (எல்சேவியர்) - வோக்ட் (2023): புதுமை/தனித்துவம் பற்றிய கவலைகள் - sciencedirect.com
-
மருத்துவ பட பகுப்பாய்வு (ScienceDirect) - மருத்துவத்தில் மல்டிமாடல் AI (2025) - sciencedirect.com
-
பப்மெட் சென்ட்ரல் - மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்ற அபாயம்) - nih.gov
-
வேதியியல் ஆராய்ச்சி கணக்குகள் (ACS வெளியீடுகள்) - வேதியியல் இடம் (2015) - acs.org
-
பப்மெட் சென்ட்ரல் - இர்வின் & ஷோய்செட் (2009): வேதியியல் விண்வெளி அளவு - nih.gov
-
போதைப்பொருள் கண்டுபிடிப்பில் எல்லைகள் (PubMed Central) - மதிப்பாய்வு (2024) - nih.gov
-
வேதியியல் தகவல் மற்றும் மாடலிங் இதழ் (ACS வெளியீடுகள்) - புதிய மருந்து வடிவமைப்பில் பரவல் மாதிரிகள் (2024) - acs.org
-
பப்மெட் சென்ட்ரல் - ரீன்வென்ட் 4 (திறந்த கட்டமைப்பு) - nih.gov
-
பப்மெட் சென்ட்ரல் - ADMETlab 2.0 (ஆரம்பகால ADMET விஷயங்கள்) - nih.gov
-
OECD - (Q)SAR மாதிரிகளின் ஒழுங்குமுறை நோக்கங்களுக்கான சரிபார்ப்புக்கான கொள்கைகள் - oecd.org
-
OECD - (Q)SAR மாதிரிகளின் சரிபார்ப்பு குறித்த வழிகாட்டுதல் ஆவணம் - oecd.org
-
வேதியியல் ஆராய்ச்சி கணக்குகள் (ACS வெளியீடுகள்) - கணினி உதவி தொகுப்பு திட்டமிடல் / CASP (கோலி, 2018) - acs.org
-
ACS மத்திய அறிவியல் (ACS வெளியீடுகள்) - கணினி உதவியுடன் கூடிய மறு தொகுப்பு (கோலி, 2017) - acs.org
-
பப்மெட் சென்ட்ரல் - ஐசிந்த்ஃபைண்டர் (2020) - nhih.gov
-
பப்மெட் - லிபின்ஸ்கி: 5 சூழல் விதி - nih.gov
-
மருத்துவ வேதியியல் சஞ்சிகை (ACS பதிப்புகள்) - பேல் & ஹாலோவே (2010): வலிகள் - acs.org
-
PubMed - Waring (2015): அட்ரிஷன் - nih.gov
-
PubMed - Rives (2021): புரத மொழி மாதிரிகள் - nih.gov
-
பப்மெட் சென்ட்ரல் - லீக் மற்றும் பலர் (2010): தொகுதி விளைவுகள் - nih.gov
-
பப்மெட் சென்ட்ரல் - பரவல் மதிப்பாய்வு (2025) - nih.gov
-
FDA - E14 மற்றும் S7B: QT/QTc இடைவெளி நீட்டிப்பு மற்றும் சீரற்ற இதயத் துடிப்புக்கான சாத்தியக்கூறு ஆகியவற்றின் மருத்துவ மற்றும் மருத்துவமல்லாத மதிப்பீடு (கேள்வி-பதில்) - fda.gov
-
ஐரோப்பிய மருந்துகள் நிறுவனம் - ICH வழிகாட்டுதல் E14/S7B கண்ணோட்டம் - europa.eu
-
USENIX - கார்லினி மற்றும் பலர் (2021): மொழி மாதிரிகளிலிருந்து பயிற்சித் தரவைப் பிரித்தெடுத்தல் - usenix.org
-
எடின்பர்க் பல்கலைக்கழகம் – டிஜிட்டல் ஆராய்ச்சி சேவைகள் - மின்னணு ஆய்வகக் குறிப்பேடு (ELN) வளம் - ed.ac.uk
-
சயின்ஸ் டைரக்ட் (எல்சேவியர்) - வீவர் (2008): பொருந்தக்கூடிய QSAR டொமைன் - sciencedirect.com