மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு என்ன?

மருந்து கண்டுபிடிப்பில் ஜெனரேட்டிவ் AI இன் பங்கு என்ன?

சுருக்கமான பதில்: உருவாக்க AI முக்கியமாக வேட்பாளர் மூலக்கூறுகள் அல்லது புரத வரிசைகளை உருவாக்குவதன் மூலமும், தொகுப்பு வழிகளை முன்மொழிவதன் மூலமும், சோதிக்கக்கூடிய கருதுகோள்களை வெளிப்படுத்துவதன் மூலமும் ஆரம்பகால மருந்து கண்டுபிடிப்பை துரிதப்படுத்துகிறது, இதனால் குழுக்கள் குறைவான "குருட்டு" சோதனைகளை இயக்க முடியும். நீங்கள் கடுமையான கட்டுப்பாடுகளைச் செயல்படுத்தி வெளியீடுகளைச் சரிபார்க்கும்போது இது சிறப்பாகச் செயல்படுகிறது; ஒரு ஆரக்கிள் போல நடத்தப்படும், இது நம்பிக்கையுடன் தவறாக வழிநடத்தும்.

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.

மருந்து கண்டுபிடிப்பில் உருவாக்க AI இன் பங்கு என்ன? தகவல் வரைபடம்

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 😮💨

மருந்து குழுக்கள் உருவாக்க , பண்புகளை கணிக்க, மாற்றங்களை பரிந்துரைக்க, தொகுப்பு வழிகளை முன்மொழிய, உயிரியல் கருதுகோள்களை ஆராய மற்றும் மறு செய்கை சுழற்சிகளை சுருக்க - குறிப்பாக ஆரம்பகால கண்டுபிடிப்பு மற்றும் ஈய உகப்பாக்கத்தில் - ஜெனரேட்டிவ் AI உதவுகிறது. நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு) எல்சேவியர் 2024 மதிப்பாய்வு (புதிய மருந்து வடிவமைப்பில் ஜெனரேட்டிவ் மாதிரிகள்)

ஆம், அது நம்பிக்கையுடன் முட்டாள்தனத்தையும் உருவாக்க முடியும். அது ஒப்பந்தத்தின் ஒரு பகுதி. ராக்கெட் எஞ்சினுடன் மிகவும் உற்சாகமான பயிற்சியாளரைப் போல. மருத்துவர்களின் வழிகாட்டி (மாயத்தோற்றங்கள் ஆபத்து) npj டிஜிட்டல் மெடிசின் 2025 (மாயத்தோற்றம் + பாதுகாப்பு கட்டமைப்பு)

மக்கள் ஒப்புக்கொள்வதை விட இது ஏன் முக்கியமானது 💥

பல கண்டுபிடிப்பு வேலைகள் "தேடல்" ஆகும். வேதியியல் இடத்தைத் தேடுங்கள், உயிரியலைத் தேடுங்கள், இலக்கியங்களைத் தேடுங்கள், கட்டமைப்பு-செயல்பாட்டு உறவுகளைத் தேடுங்கள். சிக்கல் என்னவென்றால், வேதியியல் இடம்... அடிப்படையில் எல்லையற்றது. வேதியியல் ஆராய்ச்சி கணக்குகள் 2015 (வேதியியல் இடம்) இர்வின் & ஷோய்செட் 2009 (வேதியியல் விண்வெளி அளவுகோல்)

"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"

சிறந்த சோதனைகளைத் தேர்ந்தெடுப்பது பற்றியது . 🧠 நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

மேலும், இது விவாதிக்கப்படாத நிலையில், இது குழுக்கள் பல்வேறு துறைகளில் பேச . வேதியியலாளர்கள், உயிரியலாளர்கள், DMPK நபர்கள், கணக்கீட்டு விஞ்ஞானிகள்... ஒவ்வொருவருக்கும் வெவ்வேறு மன மாதிரிகள் உள்ளன. ஒரு நல்ல உருவாக்க அமைப்பு பகிரப்பட்ட ஸ்கெட்ச்பேடாக செயல்பட முடியும். மருந்து கண்டுபிடிப்பில் எல்லைகள் 2024 மதிப்பாய்வு.

மருந்து கண்டுபிடிப்புக்கான ஜெனரேட்டிவ் AI இன் நல்ல பதிப்பை உருவாக்குவது எது? ✅

அனைத்து ஜெனரேட்டிவ் AI-களும் சமமாக உருவாக்கப்படவில்லை. இந்த இடத்திற்கான "நல்ல" பதிப்பு, பிரகாசமான டெமோக்களைப் பற்றியது குறைவாகவும், கவர்ச்சியற்ற நம்பகத்தன்மையைப் பற்றியது (கவர்ச்சியற்றது இங்கே ஒரு நல்லொழுக்கம்). நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

ஒரு நல்ல உருவாக்க AI அமைப்பு பொதுவாக பின்வருவனவற்றைக் கொண்டுள்ளது:

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 எளிமையான மன வரைபடம். ஜெனரேட்டிவ் AI கிட்டத்தட்ட ஒவ்வொரு கட்டத்திலும் பங்களிக்க முடியும், ஆனால் மறு செய்கை விலை உயர்ந்ததாகவும் கருதுகோள் இடம் பெரியதாகவும் இருக்கும் இடங்களில் இது சிறப்பாகச் செயல்படுகிறது. நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

பொதுவான தொடர்பு புள்ளிகள்:

பல திட்டங்களில், மிகப்பெரிய வெற்றிகள் பணிப்பாய்வு ஒருங்கிணைப்பிலிருந்து , ஒரு மாதிரி "மேதை" என்பதிலிருந்து அல்ல. மாதிரி இயந்திரம் - குழாய் கார். நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

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 அனலாக்ஸை விரைவாக ஆராய்வதில் சிறந்தது 😎 - ஆனால் நிலையற்ற பொருத்தமற்றவற்றை வெளியேற்ற முடியும் REINVENT 4 GENTRL (நேச்சர் பயோடெக் 2019)
புரதம் / கட்டமைப்பு ஜெனரேட்டர்கள் உயிரியல் குழுக்கள், கட்டமைப்பு உயிரியல் $$$ வரிசைமுறைகள் + கட்டமைப்புகளை முன்மொழிய உதவுகிறது - ஆனால் "நம்பகமானதாகத் தெரிகிறது" என்பது "வேலை செய்கிறது" என்பதற்கு சமமானதல்ல ஆல்பாஃபோல்ட் (நேச்சர் 2021) RFdiffusion (நேச்சர் 2023)
பரவல் பாணி மூலக்கூறு வடிவமைப்பு மேம்பட்ட ML அணிகள் $$-$$$$ கட்டுப்பாட்டு கண்டிஷனிங் மற்றும் பன்முகத்தன்மையில் வலுவானது - அமைப்பு... ஒரு முழுமையான விஷயமாக இருக்கலாம் JCIM 2024 (பரவல் மாதிரிகள்) PMC 2025 பரவல் மதிப்பாய்வு
சொத்து கணிப்பு இணை பைலட்டுகள் (QSAR + GenAI சேர்க்கை) DMPK, திட்டக் குழுக்கள் $$ வகைப்படுத்தல் மற்றும் தரவரிசைக்கு நல்லது - நற்செய்தியாகக் கருதப்பட்டால் மோசமானது 😬 OECD (பொருந்தக்கூடிய டொமைன்) ADMETlab 2.0
மீள் தொகுப்பு திட்டமிடுபவர்கள் செயல்முறை வேதியியல், CMC $$-$$$ வழித்தட யோசனையை விரைவுபடுத்துகிறது - சாத்தியக்கூறு மற்றும் பாதுகாப்பிற்கு இன்னும் மனிதர்கள் தேவை AiZynthFinder 2020 கோலி 2018 (CASP)
மல்டிமாடல் லேப் கோபிலட்டுகள் (உரை + மதிப்பீட்டுத் தரவு) மொழிபெயர்ப்பு குழுக்கள் $$$ தரவுத்தொகுப்புகளுக்கு இடையே சிக்னல்களை இழுப்பதற்கு உதவியாக இருக்கும் - தரவு சிதைக்கப்பட்டால் அதிக தன்னம்பிக்கைக்கு ஆளாகும் தன்மை இயற்கை 2024 (செல் இமேஜிங்கில் தொகுதி விளைவுகள்) npj டிஜிட்டல் மருத்துவம் 2025 (பயோடெக்கில் மல்டிமாடல்)
இலக்கியம் மற்றும் கருதுகோள் உதவியாளர்கள் நடைமுறையில், அனைவரும் $ படிக்கும் நேரத்தை வெகுவாகக் குறைக்கிறது - ஆனால் மாயத்தோற்றங்கள் வழுக்கும், சாக்ஸ் மறைந்து போவது போல, வடிவங்கள் 2025 (மருந்து கண்டுபிடிப்பில் எல்.எல்.எம்) மருத்துவர்களின் வழிகாட்டி (மாயத்தோற்றங்கள்)
தனிப்பயன் உள்-வீட்டு அடித்தள மாதிரிகள் பெரிய மருந்தகம், நன்கு நிதியளிக்கப்பட்ட உயிரி தொழில்நுட்பங்கள் $$$$ சிறந்த கட்டுப்பாடு + ஒருங்கிணைப்பு - விலை உயர்ந்தது மற்றும் உருவாக்க மெதுவாக உள்ளது (மன்னிக்கவும், அது உண்மைதான்) மருந்து கண்டுபிடிப்பில் எல்லைகள் 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 🧩

இதுதான் தலைப்பு பயன்பாட்டு வழக்கு: இலக்கு சுயவிவரத்துடன் பொருந்தக்கூடிய புதிதாக (அல்லது ஒரு சாரக்கட்டுகளிலிருந்து) வேட்பாளர் மூலக்கூறுகளை உருவாக்குதல். நேச்சர் பயோடெக்னாலஜி 2019 (GENTRL) REINVENT 4

இது பொதுவாக நடைமுறையில் எவ்வாறு செயல்படுகிறது:

  1. கட்டுப்பாடுகளை வரையறுக்கவும்

  2. வேட்பாளர்களை உருவாக்குங்கள்

  3. தீவிரமாக வடிகட்டவும்

  4. தொகுப்புக்கு ஒரு சிறிய தொகுப்பைத் தேர்ந்தெடுக்கவும்

    • மனிதர்கள் இன்னும் தேர்வு செய்கிறார்கள், ஏனென்றால் மனிதர்கள் சில நேரங்களில் முட்டாள்தனத்தை மணக்க முடியும்

சங்கடமான உண்மை: மதிப்பு வெறும் "புதிய மூலக்கூறுகள்" அல்ல. உங்கள் நிரலின் கட்டுப்பாடுகளுக்கு அர்த்தமுள்ள புதிய மூலக்கூறுகள் . அந்த கடைசி பகுதிதான் எல்லாமே. நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

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 பல்நோக்கு உகப்பாக்கம். ஒரு சரியான கலவை இருப்பதாக நடிப்பதற்குப் பதிலாக, சில REINVENT 4 Elsevier 2024 மதிப்பாய்வு (ஜெனரேட்டிவ் மாதிரிகள்)

அணிகள் அதைப் பயன்படுத்தும் நடைமுறை வழிகள்:

  • அனலாக் பரிந்துரை : "அனுமதியைக் குறைக்கும் ஆனால் ஆற்றலைத் தக்கவைக்கும் 30 வகைகளை உருவாக்குங்கள்"

  • மாற்று ஸ்கேனிங் : முரட்டுத்தனமான கணக்கெடுப்புக்குப் பதிலாக வழிகாட்டப்பட்ட ஆய்வு.

  • சாரக்கட்டு துள்ளல் : ஒரு மையமானது சுவரில் மோதும்போது (நச்சு, ஐபி அல்லது நிலைத்தன்மை)

  • விளக்க பரிந்துரைகள் : “இந்த துருவக் குழு கரைதிறனை உதவக்கூடும், ஆனால் ஊடுருவலை பாதிக்கலாம்” (எப்போதும் சரியல்ல, ஆனால் உதவியாக இருக்கும்)

ஒரு எச்சரிக்கை: சொத்து முன்கணிப்புக்கள் உடையக்கூடியதாக இருக்கலாம். உங்கள் பயிற்சித் தரவு உங்கள் வேதியியல் தொடருடன் பொருந்தவில்லை என்றால், மாதிரி நம்பிக்கையுடன் தவறாக இருக்கலாம். அது மிகவும் தவறு. அது வெட்கப்படாது. OECD QSAR சரிபார்ப்புக் கொள்கைகள் (பொருந்தக்கூடிய டொமைன்) வீவர் 2008 (பொருந்தக்கூடிய QSAR டொமைன்)

நெருக்கமான பார்வை: ADMET, நச்சுத்தன்மை மற்றும் “தயவுசெய்து நிரலைக் கொல்லாதீர்கள்” திரையிடல் 🧯

ADMET என்பது பல தேர்வர்கள் அமைதியாக தோல்வியடையும் இடம். ஜெனரேட்டிவ் AI உயிரியலை தீர்க்காது, ஆனால் அது தவிர்க்கக்கூடிய தவறுகளைக் குறைக்கும். ADMETlab 2.0 Waring 2015 (அட்ரிஷன்)

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

  • ஹெர்க் அபாயத்தைக் குறைக்க அல்லது நிலைத்தன்மையை மேம்படுத்த மாற்றங்களை பரிந்துரைக்கிறது 🧪 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:

புரதம் மற்றும் வரிசை உருவாக்கம் சக்திவாய்ந்ததாக இருக்கலாம், ஏனெனில் வரிசைகளின் "மொழி" ML முறைகளுக்கு வியக்கத்தக்க வகையில் நன்றாகப் பொருந்துகிறது. ஆனால் இங்கே சாதாரண பின்னணி: அது நன்றாகப் பொருந்துகிறது... அது பொருந்தாத வரை. ஏனெனில் நோயெதிர்ப்புத் திறன், வெளிப்பாடு, கிளைகோசைலேஷன் வடிவங்கள் மற்றும் வளர்ச்சித் திறன் கட்டுப்பாடுகள் கொடூரமானதாக இருக்கலாம். ஆல்பாஃபோல்ட் (நேச்சர் 2021) புரத ஜெனரேட்டர் (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

  • "அழகான ஆனால் சாத்தியமற்ற" யோசனைகளை வேதியியலாளர்கள் விரைவாக நிராகரிக்க உதவுங்கள் AiZynthFinder 2020 கோலி 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 சரியானதை விட குறைவான உருவகம், ஆனால் நான் எப்படியும் அதைப் பயன்படுத்துவேன்: ரெட்ரோசிந்தசிஸ் AI என்பது பெரும்பாலும் சரியான ஜிபிஎஸ் போன்றது, சில நேரங்களில் அது உங்களை ஒரு ஏரியின் வழியாக வழிநடத்தி, அது ஒரு குறுக்குவழி என்று வலியுறுத்துகிறது. 🚗🌊 கோலி 2017 (கணினி உதவியுடன் ரெட்ரோசிந்தசிஸ்)

தரவு, மல்டிமாடல் மாதிரிகள் மற்றும் ஆய்வகங்களின் சீரழிந்த யதார்த்தம் 🧾🧪

ஜெனரேட்டிவ் AI தரவை விரும்புகிறது. ஆய்வகங்கள் தரவை உருவாக்குகின்றன. காகிதத்தில், அது எளிமையானதாகத் தெரிகிறது.

ஹா. இல்லை.

உண்மையான ஆய்வக தரவு:

மல்டிமோடல் ஜெனரேட்டிவ் அமைப்புகள் இணைக்கலாம்:

இது வேலை செய்யும் போது, ​​அது அருமையாக இருக்கும். நீங்கள் வெளிப்படையாகத் தெரியாத வடிவங்களைக் கண்டறியலாம் மற்றும் ஒரு நிபுணர் தவறவிடக்கூடிய பரிசோதனைகளை முன்மொழியலாம்.

அது தோல்வியடையும் போது, ​​அது அமைதியாகத் தோல்வியடைகிறது. அது கதவைத் தட்டுவதில்லை. அது உங்களை நம்பிக்கையான தவறான முடிவுக்குத் தள்ளுகிறது. அதனால்தான் நிர்வாகம், சரிபார்ப்பு மற்றும் டொமைன் மதிப்பாய்வு ஆகியவை விருப்பத்திற்குரியவை அல்ல. மருத்துவர்களின் வழிகாட்டி (பிரமைகள்) npj டிஜிட்டல் மருத்துவம் 2025 (பிரமைகள் + பாதுகாப்பு கட்டமைப்பு)

அபாயங்கள், வரம்புகள் மற்றும் “சரளமான வெளியீட்டைக் கண்டு ஏமாறாதீர்கள்” பிரிவு ⚠️

நீங்கள் ஒன்றை மட்டும் நினைவில் வைத்திருந்தால், இதை நினைவில் கொள்ளுங்கள்: ஜெனரேட்டிவ் AI என்பது வற்புறுத்தும் தன்மை கொண்டது. அது தவறாக இருக்கும்போது சரியாக ஒலிக்க முடியும். மருத்துவர்களின் வழிகாட்டி (மாயத்தோற்றங்கள்)

முக்கிய அபாயங்கள்:

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:

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? 🔭

சிறிதாக்கினால், பங்கு "விஞ்ஞானிகளை மாற்றுவது" அல்ல. அது "அறிவியல் அலைவரிசையை விரிவுபடுத்துதல்". நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

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 ஜெனரேட்டிவ் AI ஒரு முக்கிய திறனாக மாறி வருகிறது, ஏனெனில் இது மனிதர்களை விட வேகமாக மூலக்கூறுகள், கருதுகோள்கள், வரிசைமுறைகள் மற்றும் பாதைகளை உருவாக்க முடியும் - மேலும் இது குழுக்கள் சிறந்த சோதனைகளைத் தேர்வுசெய்ய உதவும். ஃபிரான்டியர்ஸ் இன் மருந்து கண்டுபிடிப்பு 2024 மதிப்பாய்வு நேச்சர் 2023 (லிகண்ட் கண்டுபிடிப்பு மதிப்பாய்வு)

சுருக்கக் குறிப்புகள்:

நீங்கள் அதை ஒரு கூட்டாளியைப் போல நடத்தினால் - ஒரு ஆரக்கிள் போல அல்ல - அது உண்மையிலேயே திட்டங்களை முன்னோக்கி நகர்த்தும். நீங்கள் அதை ஒரு ஆரக்கிள் போல நடத்தினால்... சரி, நீங்கள் மீண்டும் அந்த GPS ஐ ஏரிக்குள் பின்தொடர வேண்டியிருக்கும். 🚗🌊

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

  1. இயற்கை - லிகாண்ட் கண்டுபிடிப்பு மதிப்பாய்வு (2023) - nature.com

  2. இயற்கை உயிரி தொழில்நுட்பம் - GENTRL (2019) - nature.com

  3. இயற்கை - ஆல்பாஃபோல்ட் (2021) - nature.com

  4. இயற்கை - RFபரவல் (2023) - nature.com

  5. இயற்கை உயிரி தொழில்நுட்பம் - புரத ஜெனரேட்டர் (2024) - nature.com

  6. இயற்கை தொடர்புகள் - செல் இமேஜிங்கில் தொகுதி விளைவுகள் (2024) - nature.com

  7. npj டிஜிட்டல் மருத்துவம் - மாயத்தோற்றம் + பாதுகாப்பு கட்டமைப்பு (2025) - nature.com

  8. npj டிஜிட்டல் மருத்துவம் - உயிரி தொழில்நுட்பத்தில் மல்டிமாடல் (2025) - nature.com

  9. அறிவியல் - புரதம்MPNN (2022) - science.org

  10. செல் வடிவங்கள் - மருந்து கண்டுபிடிப்பில் எல்.எல்.எம்.கள் (2025) - cell.com

  11. சயின்ஸ் டைரக்ட் (எல்சேவியர்) - புதிய மருந்து வடிவமைப்பில் உருவாக்க மாதிரிகள் (2024) - sciencedirect.com

  12. சயின்ஸ் டைரக்ட் (எல்சேவியர்) - வோக்ட் (2023): புதுமை/தனித்துவம் பற்றிய கவலைகள் - sciencedirect.com

  13. மருத்துவ பட பகுப்பாய்வு (ScienceDirect) - மருத்துவத்தில் மல்டிமாடல் AI (2025) - sciencedirect.com

  14. பப்மெட் சென்ட்ரல் - மருத்துவர்களுக்கான வழிகாட்டி (மாயத்தோற்ற ஆபத்து) - nih.gov

  15. வேதியியல் ஆராய்ச்சி கணக்குகள் (ACS வெளியீடுகள்) - வேதியியல் இடம் (2015) - acs.org

  16. பப்மெட் சென்ட்ரல் - இர்வின் & ஷோய்செட் (2009): வேதியியல் விண்வெளி அளவுகோல் - nih.gov

  17. போதைப்பொருள் கண்டுபிடிப்பில் எல்லைகள் (PubMed Central) - மதிப்பாய்வு (2024) - nih.gov

  18. வேதியியல் தகவல் மற்றும் மாடலிங் இதழ் (ACS வெளியீடுகள்) - புதிய மருந்து வடிவமைப்பில் பரவல் மாதிரிகள் (2024) - acs.org

  19. பப்மெட் சென்ட்ரல் - ரீன்வென்ட் 4 (திறந்த கட்டமைப்பு) - nih.gov

  20. பப்மெட் சென்ட்ரல் - ADMETlab 2.0 (ஆரம்பகால ADMET விஷயங்கள்) - nih.gov

  21. OECD - (Q)SAR மாதிரிகளின் ஒழுங்குமுறை நோக்கங்களுக்கான சரிபார்ப்புக்கான கொள்கைகள் - oecd.org

  22. OECD - (Q)SAR மாதிரிகளின் சரிபார்ப்பு குறித்த வழிகாட்டுதல் ஆவணம் - oecd.org

  23. வேதியியல் ஆராய்ச்சி கணக்குகள் (ACS வெளியீடுகள்) - கணினி உதவி தொகுப்பு திட்டமிடல் / CASP (கோலி, 2018) - acs.org

  24. ACS மத்திய அறிவியல் (ACS வெளியீடுகள்) - கணினி உதவியுடன் கூடிய மறு தொகுப்பு (கோலி, 2017) - acs.org

  25. பப்மெட் சென்ட்ரல் - ஐசிந்த்ஃபைண்டர் (2020) - nhih.gov

  26. பப்மெட் - லிபின்ஸ்கி: 5 சூழல் விதி - nih.gov

  27. மருத்துவ வேதியியல் இதழ் (ACS வெளியீடுகள்) - பேல் & ஹாலோவே (2010): பெயின்ஸ் - acs.org

  28. PubMed - Waring (2015): அட்ரிஷன் - nih.gov

  29. PubMed - Rives (2021): புரத மொழி மாதிரிகள் - nih.gov

  30. பப்மெட் சென்ட்ரல் - லீக் மற்றும் பலர் (2010): தொகுதி விளைவுகள் - nih.gov

  31. பப்மெட் சென்ட்ரல் - பரவல் மதிப்பாய்வு (2025) - nih.gov

  32. FDA - E14 மற்றும் S7B: QT/QTc இடைவெளி நீடிப்பு மற்றும் புரோஅரித்மிக் சாத்தியக்கூறுகளின் மருத்துவ மற்றும் மருத்துவமற்ற மதிப்பீடு (கேள்வி பதில்) - fda.gov

  33. ஐரோப்பிய மருந்துகள் நிறுவனம் - ICH வழிகாட்டுதல் E14/S7B கண்ணோட்டம் - europa.eu

  34. USENIX - கார்லினி மற்றும் பலர் (2021): மொழி மாதிரிகளிலிருந்து பயிற்சித் தரவைப் பிரித்தெடுத்தல் - usenix.org

  35. எடின்பர்க் பல்கலைக்கழகம் - டிஜிட்டல் ஆராய்ச்சி சேவைகள் - மின்னணு ஆய்வக குறிப்பேடு (ELN) ஆதாரம் - ed.ac.uk

  36. சயின்ஸ் டைரக்ட் (எல்சேவியர்) - வீவர் (2008): பொருந்தக்கூடிய QSAR டொமைன் - sciencedirect.com

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்

எங்களை பற்றி

வலைப்பதிவிற்குத் திரும்பு