Яка роль генеративного штучного інтелекту у відкритті ліків?

Яка роль генеративного штучного інтелекту у відкритті ліків?

Коротка відповідь: генеративний штучний інтелект головним чином прискорює раннє відкриття ліків, генеруючи молекули-кандидати або послідовності білків, пропонуючи шляхи синтезу та висуваючи гіпотези, що підлягають перевірці, завдяки чому команди можуть проводити менше «сліпих» експериментів. Він працює найкраще, коли ви застосовуєте жорсткі обмеження та перевіряєте результати; якщо розглядати його як оракул, він може вводити в оману з упевненістю.

Ключові висновки:

Прискорення : Використовуйте GenAI для розширення генерації ідей, а потім звузьте її за допомогою ретельної фільтрації.

Обмеження : Вимагати діапазони властивостей, правила створення каркаса та обмеження новизни перед генерацією.

Валідація : Розглядайте результати як гіпотези; підтверджуйте за допомогою аналізів та ортогональних моделей.

Відстеження : реєструйте підказки, результати та обґрунтування, щоб рішення залишалися доступними для аудиту та перегляду.

Захист від зловживань : запобігання витокам інформації та надмірній впевненості за допомогою управління, контролю доступу та перевірки людиною.

Яка роль генеративного штучного інтелекту у відкритті ліків? Інфографіка

Статті, які вам, можливо, буде цікаво прочитати після цієї:

🔗 Роль штучного інтелекту в охороні здоров'я
Як штучний інтелект покращує діагностику, робочі процеси, догляд за пацієнтами та результати лікування.

🔗 Чи замінить штучний інтелект радіологів?
Досліджує, як автоматизація розширює радіологію та що залишається людським.

🔗 Чи замінить ШІ лікарів?
Чесний погляд на вплив штучного інтелекту на роботу та практику лікарів.

🔗 Найкращі інструменти лабораторії штучного інтелекту для наукових відкриттів
Найкращі інструменти лабораторії штучного інтелекту для пришвидшення експериментів, аналізу та досліджень.

Роль генеративного штучного інтелекту у відкритті ліків, одним словом 😮💨

Генеративний штучний інтелект допомагає командам розробників препаратів створювати молекули-кандидати, прогнозувати властивості, пропонувати модифікації, пропонувати шляхи синтезу, досліджувати біологічні гіпотези та скорочувати цикли ітерацій, особливо на ранніх етапах відкриття та оптимізації потенційних продуктів. Nature 2023 (огляд відкриття лігандів) Огляд Elsevier 2024 (генеративні моделі в de novo розробці ліків)

І так, він також може впевнено генерувати нісенітниці. Це частина угоди. Як дуже захоплений стажер з ракетним двигуном. Посібник клініциста (ризик галюцинацій) npj Digital Medicine 2025 (галюцинації + система безпеки)

Чому це важливіше, ніж люди визнають 💥

Багато досліджень – це «пошук». Пошук у хімічному просторі, пошук у біології, пошук у літературі, пошук взаємозв'язків структура-функція. Проблема полягає в тому, що хімічний простір… по суті, нескінченний. Звіти про хімічні дослідження 2015 (хімічний простір) Ірвін і Шойчет 2009 (шкала хімічного простору)

Ви можете витратити кілька життів, просто пробуючи «розумні» варіації.

Генеративний ШІ змінює робочий процес з:

  • «Давайте перевіримо, що ми можемо придумати»

до:

  • «Давайте створимо більший, розумніший набір варіантів, а потім протестуємо найкращі з них»

Йдеться не про виключення експериментів. Йдеться про вибір кращих експериментів . 🧠 Nature 2023 (огляд відкриття лігандів)

Також, і це недостатньо обговорюється, це допомагає командам спілкуватися між різними дисциплінами . Хіміки, біологи, фахівці з DMPK, фахівці з обчислювальної техніки… у кожного є різні ментальні моделі. Пристойна генеративна система може слугувати спільним блокнотом для малювання. Огляд Frontiers in Drug Discovery 2024.

Що робить генеративний ШІ гарною версією для розробки ліків? ✅

Не весь генеративний ШІ створений однаковим. «Хороша» версія для цієї області — це не стільки яскраві демонстрації, скільки нецікава надійність (нецікавість тут є перевагою). Nature 2023 (огляд відкриття лігандів)

Гарна система генеративного штучного інтелекту зазвичай має:

Якщо ваш генеративний ШІ не може впоратися з обмеженнями, це, по суті, генератор новизни. Весело на вечірках. Менше веселощів у програмі боротьби з наркоманією.

Де генеративний штучний інтелект вписується в процес розробки ліків 🧭

Ось проста ментальна карта. Генеративний ШІ може зробити свій внесок майже на кожен етап, але він працює найкраще там, де ітерації є дорогими, а простір для гіпотез величезний. Nature 2023 (огляд відкриття лігандів)

Поширені точки дотику:

У багатьох програмах найбільші перемоги походять від інтеграції робочих процесів , а не від того, що якась окрема модель є «геніальною». Модель – це двигун, а конвеєр – це машина. Nature 2023 (огляд відкриття лігандів)

Порівняльна таблиця: популярні генеративні підходи штучного інтелекту, що використовуються у розробці ліків 📊

Трохи недосконала таблиця, бо реальне життя трохи недосконале.

Інструмент / Підхід Найкраще для (аудиторії) Ціна приблизно Чому це працює (і коли ні)
Генератори молекул de novo (SMILES, графіки) Мед. хімія + комп. хімія $$-$$$ Чудово швидко досліджує нові аналоги 😎 - але може виявляти нестабільні невідповідності REINVENT 4 GENTRL (Nature Biotech 2019)
Генератори білків / структур Біологічні команди, структурна біологія $$$ Допомагає пропонувати послідовності + структури, але «виглядає правдоподібно» не те саме, що «працює» AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Молекулярний дизайн у дифузійному стилі Розширені команди машинного навчання $$-$$$$ Сильний у обумовленні обмежень та різноманітності – налаштування може бути… цілим процесом JCIM 2024 (моделі дифузії) Огляд дифузії PMC 2025
Копілоти прогнозування властивостей (комбінація QSAR + GenAI) DMPK, проектні команди $$ Добре для сортування та ранжування — погано, якщо сприймати як євангеліє 😬 ОЕСР (домен застосовності) ADMETlab 2.0
Планувальники ретросинтезу Хімічний процес, КМЦ $$-$$$ Прискорює розробку маршрутів — для забезпечення доцільності та безпеки все ще потрібна залученість людей. AiZynthFinder 2020 Coley 2018 (CASP)
Мультимодальні лабораторні копілоти (текст + дані аналізу) Перекладацькі команди $$$ Корисно для отримання сигналів з різних наборів даних — схильний до надмірної впевненості, якщо дані неоднозначні Nature 2024 (пакетні ефекти в клітинній візуалізації) npj Digital Medicine 2025 (мультимодальний аналіз у біотехнологіях)
Асистенти з літератури та гіпотез Усі, на практиці $ Значно скорочує час читання, але галюцинації можуть бути слизькими, як зникаючі шкарпетки. Шаблони 2025 (LLM у розробці ліків). Посібник клініциста (галюцинації).
Моделі фундаментів власного виробництва Великі фармацевтичні компанії, добре фінансовані біотехнології $$$$ Найкращий контроль + інтеграція - також дороге та повільне у створенні (вибачте, це правда) Огляд Frontiers in Drug Discovery 2024

Примітки: ціни сильно варіюються залежно від масштабу, обчислювальних ресурсів, ліцензування та того, чи хоче ваша команда «підключи та працюй» чи «давайте побудуємо космічний корабель»

Більш детальний погляд: Генеративний ШІ для пошуку хітів та de novo дизайну 🧩

Це головний варіант використання: генерувати молекули-кандидати з нуля (або з каркасу), які відповідають цільовому профілю. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Як це зазвичай працює на практиці:

  1. Визначити обмеження

  2. Генерувати кандидатів

    • стрибки з риштувань

    • ріст фрагментів

    • пропозиції щодо «прикраси цього ядра»

    • багатоцільова генерація (зв'язування + проникність + нетоксичність) REINVENT 4 Elsevier 2024 (генеративні моделі)

  3. Агресивно фільтруйте

  4. Виберіть невеликий набір для синтезу

    • люди все ще вибирають, бо іноді можуть відчувати нісенітницю

Незручна правда: цінність полягає не лише в «нових молекулах». Це нові молекули, які мають сенс для обмежень вашої програми . Остання частина — це все. Nature 2023 (огляд відкриття лігандів)

Також, деяке перебільшення: коли все зроблено добре, може здаватися, що ви найняли команду невтомних молодших хіміків, які ніколи не сплять і ніколи не скаржаться. З іншого боку, вони також не розуміють, чому певна стратегія захисту є кошмаром, тому… баланс 😅.

Детальніше: Оптимізація лідів за допомогою генеративного штучного інтелекту (багатопараметричне налаштування) 🎛️

Оптимізація лідів – це те, де мрії ускладнюються.

Ви хочете:

  • підвищення потенції

  • вибірковість вгору

  • метаболічна стабільність

  • розчинність вгору

  • сигнали безпеки опущені

  • проникність «якраз»

  • І все ще бути синтезованим

Це класична багатоцільова оптимізація. Генеративний ШІ надзвичайно добре пропонує набір компромісних рішень, а не вдає, що існує одне ідеальне поєднання. REINVENT 4 Elsevier 2024 (генеративні моделі)

Практичні способи використання командами:

  • Аналогова пропозиція : «Створіть 30 варіантів, які зменшать кліренс, але збережуть ефективність»

  • Сканування замісників : кероване дослідження замість перерахування методом грубої сили

  • Стрибки по каркасу : коли ядро ​​​​вдаряється об стіну (токсичність, IP або стабільність)

  • Пояснювальні пропозиції : «Ця полярна група може покращити розчинність, але може погіршити проникність» (не завжди правильно, але корисно)

Одне застереження: предиктори властивостей можуть бути крихкими. Якщо ваші навчальні дані не відповідають вашому хімічному ряду, модель може бути впевнено помилковою. Наприклад, дуже помилковою. І вона не буде червоніти. Принципи валідації QSAR ОЕСР (область застосування) Weaver 2008 (область застосування QSAR)

Більш детальний огляд: ADMET, токсичність та скринінг «будь ласка, не вбивайте програму» 🧯

ADMET – це те, де багато кандидатів тихо зазнають невдачі. Генеративний ШІ не вирішує проблеми біології, але може зменшити кількість помилок, яких можна уникнути. ADMETlab 2.0 Waring 2015 (відтік)

Поширені ролі:

  • прогнозування метаболічних зобов'язань (місця метаболізму, тенденції кліренсу)

  • позначання ймовірних мотивів токсичності (сповіщення, проксі-реактивні проміжні продукти)

  • оцінка діапазонів розчинності та проникності

  • пропонуючи модифікації для зменшення ризику hERG або покращення стабільності 🧪 FDA (ICH E14/S7B Q&A) EMA (огляд ICH E14/S7B)

Найефективніша схема виглядає так: використовувати GenAI для пропозиції варіантів, але використовувати спеціалізовані моделі та експерименти для перевірки.

Генеративний ШІ – це двигун генерування ідей. Валідація все ще існує в аналізах.

Більш детальний погляд: Генеративний ШІ для біологічних препаратів та білкової інженерії 🧬✨

Розробка ліків – це не лише малі молекули. Генеративний штучний інтелект також використовується для:

Генерація білків та послідовностей може бути потужною, оскільки «мова» послідовностей напрочуд добре відповідає методам машинного навчання. Але ось випадковий зворотний шлях: вона добре відповідає… доки не перестане. Тому що імуногенність, експресія, патерни глікозилювання та обмеження розробки можуть бути жорстокими. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Отже, найкращі налаштування включають:

  • фільтри розроблюваності

  • оцінка ризику імуногенності

  • обмеження технологічності

  • цикли мокрої лабораторії для швидкої ітерації 🧫

Якщо ви їх пропустите, то отримаєте чудову послідовність, яка поводиться як діва у виробництві.

Детальніше: Планування синтезу та пропозиції щодо ретросинтезу 🧰

Генеративний штучний інтелект також проникає в хімічні операції, а не лише в генерування ідей молекул.

Планувальники ретросинтезу можуть:

  • запропонувати шляхи до цільової сполуки

  • запропонуйте комерційно доступні вихідні матеріали

  • ранжувати маршрути за кількістю кроків або сприйнятою доцільністю

  • допомогти хімікам швидко виключити «милі, але неможливі» ідеї AiZynthFinder 2020 Coley 2018 (CASP)

Це може заощадити реальний час, особливо коли ви досліджуєте багато структур-кандидатів. Тим не менш, люди тут мають велике значення, тому що:

  • зміни доступності реагентів

  • проблеми безпеки та масштабу є реальними

  • деякі кроки виглядають добре на папері, але постійно зазнають невдачі

Не зовсім ідеальна метафора, але я все одно її використаю: ретросинтетичний ШІ схожий на GPS, який здебільшого правильний, за винятком того, що іноді він прокладає маршрут через озеро та наполягає, що це короткий шлях. 🚗🌊 Колі 2017 (комп'ютерний ретросинтез)

Дані, мультимодальні моделі та сувора реальність лабораторій 🧾🧪

Генеративний ШІ любить дані. Лабораторії створюють дані. На папері це звучить просто.

Ха. Ні.

Реальні лабораторні дані:

Мультимодальні генеративні системи можуть поєднувати:

Коли це працює, це чудово. Ви можете виявити неочевидні закономірності та запропонувати експерименти, які окремий спеціаліст міг би пропустити.

Коли щось зазнає невдачі, то це відбувається тихо. Воно не грюкає дверима. Воно просто підштовхує вас до впевненого неправильного висновку. Ось чому управління, валідація та перевірка предметної області не є необов'язковими. Посібник клініциста (галюцинації) npj Digital Medicine 2025 (галюцинації + система безпеки)

Ризики, обмеження та розділ «не дайте себе обдурити вільним виводом» ⚠️

Якщо ви пам'ятаєте лише одне, пам'ятайте ось це: генеративний ШІ переконливий. Він може звучати правильно, водночас хибно. Посібник клініциста (галюцинації)

Ключові ризики:

Пом'якшувальні заходи, які допомагають на практиці:

  • тримати людей у ​​процесі прийняття рішень

  • підказки та виводи журналів для відстеження

  • валідувати за допомогою ортогональних методів (аналізи, альтернативні моделі)

  • автоматично застосовувати обмеження та фільтри

  • розглядати результати як гіпотези, а не як таблетки істини, рекомендації ОЕСР щодо QSAR

Генеративний ШІ — це потужний інструмент. Електроінструменти не роблять вас теслею… вони просто швидше роблять помилки, якщо ви не знаєте, що робите.

Як команди впроваджують генеративний ШІ без хаосу 🧩🛠️

Команди часто хочуть використовувати це, не перетворюючи організацію на науковий ярмарок. Практичний шлях впровадження виглядає так:

Також не варто недооцінювати культуру. Якщо хіміки відчуватимуть, що їм нав'язують штучний інтелект, вони його проігнорують. Якщо це заощадить їхній час і поважатиме їхню експертизу, вони швидко його приймуть. Люди такі кумедні 🙂.

Яка роль генеративного штучного інтелекту у виявленні ліків, якщо зменшити масштаб? 🔭

Якщо зменшити масштаб, то роль полягає не в тому, щоб «замінити вчених». Це «розширити наукову пропускну здатність». Nature 2023 (огляд відкриття лігандів)

Це допомагає командам:

  • досліджуйте більше гіпотез щотижня

  • пропонувати більше структур-кандидатів за цикл

  • розумніше пріоритезувати експерименти

  • стиснення циклів ітерацій між проектуванням та тестуванням

  • обмін знаннями між ізольованими структурами Patterns 2025 (LLM у розробці ліків)

І, можливо, найбільш недооцінений аспект: це допомагає не витрачати дорогу людську творчість на повторювані завдання. Люди повинні думати про механізм, стратегію та інтерпретацію, а не витрачати дні на створення списків варіантів вручну. Nature 2023 (огляд відкриття лігандів)

Отже, так, роль генеративного ШІ у відкритті ліків — це прискорювач, генератор, фільтр, а іноді й джерело проблем. Але цінна роль.

Заключний підсумок 🧾✅

Генеративний штучний інтелект стає ключовою можливістю у сучасному відкритті ліків, оскільки він може генерувати молекули, гіпотези, послідовності та маршрути швидше, ніж люди, і може допомогти командам вибирати кращі експерименти. Огляд Frontiers in Drug Discovery 2024 Nature 2023 (огляд відкриттів лігандів)

Підсумкові пункти:

Якщо ви ставитеся до нього як до співробітника, а не як до оракула, він може справді просувати програми вперед. А якщо ви ставитеся до нього як до оракула… ну, ви можете знову піти за тим GPS в озеро. 🚗🌊

Найчастіші запитання

Яка роль генеративного штучного інтелекту у розробці ліків?

Генеративний ШІ, в першу чергу, розширює воронку ідей на ранніх етапах виявлення та оптимізації потенційних клієнтів, пропонуючи молекули-кандидати, послідовності білків, шляхи синтезу та біологічні гіпотези. Цінність полягає не стільки в «замінюванні експериментів», скільки в «виборі кращих експериментів» шляхом генерування багатьох варіантів, а потім ретельної фільтрації. Він найкраще працює як прискорювач у дисциплінованому робочому процесі, скільки як окремий інструмент прийняття рішень.

Де генеративний ШІ найкраще працює в процесі розробки ліків?

Він, як правило, забезпечує найбільшу цінність там, де простір для гіпотез великий, а ітерація є дорогою, наприклад, для ідентифікації згод, de novo проектування та оптимізації лідів. Команди також використовують його для сортування ADMET, пропозицій ретросинтезу та підтримки літератури чи гіпотез. Найбільші переваги зазвичай виникають завдяки інтеграції генерації з фільтрами, оцінюванням та рецензуванням людиною, а не очікуванню, що одна модель буде «розумною»

Як встановити обмеження, щоб генеративні моделі не створювали непотрібних молекул?

Практичний підхід полягає у визначенні обмежень перед генерацією: діапазони властивостей (наприклад, розчинність або logP-мішені), правила каркасу або підструктури, особливості сайтів зв'язування та межі новизни. Потім застосуйте фільтри медичної хімії (включаючи PAINS/реактивні групи) та перевірки синтезованості. Генерація з урахуванням обмежень особливо корисна для молекулярного дизайну в стилі дифузії та фреймворків, таких як REINVENT 4, де можна закодувати багатоцільові цілі.

Як команди повинні перевіряти результати GenAI, щоб уникнути галюцинацій та надмірної впевненості?

Розглядайте кожен вихідний результат як гіпотезу, а не висновок, і перевіряйте його за допомогою аналізів та ортогональних моделей. Генеруйте пари з агресивною фільтрацією, стикуванням або оцінюванням, де це доречно, та перевірками області застосовності для предикторів у стилі QSAR. Зробіть невизначеність видимою, коли це можливо, оскільки моделі можуть бути впевнено помилковими щодо хімії поза розповсюдженням або ненадійних біологічних заяв. Перевірка «людиною в циклі» залишається основною функцією безпеки.

Як можна запобігти витоку даних, ризику для IP-адреси та «запам’ятовуваним» виходам?

Використовуйте засоби управління та контролю доступу, щоб конфіденційні деталі програми не потрапляли випадково в підказки, а також реєструйте підказки/виходи для перевірки. Забезпечте перевірку новизни та схожості, щоб згенеровані кандидати не розташовувалися надто близько до відомих сполук або захищених областей. Дотримуйтесь чітких правил щодо того, які дані дозволені в зовнішніх системах, і віддавайте перевагу контрольованим середовищам для роботи з високим рівнем конфіденційності. Перевірка людиною допомагає виявляти «занадто знайомі» пропозиції на ранній стадії.

Як генеративний штучний інтелект використовується для оптимізації лідів та багатопараметричного налаштування?

В оптимізації лідів генеративний штучний інтелект цінний, оскільки він може пропонувати кілька компромісних рішень, замість того, щоб гонитву за однією «ідеальною» сполукою. Звичайні робочі процеси включають підказування аналогів, кероване сканування замісників та перехід між сценаріями, коли обмеження потенції, токсичності або IP блокують прогрес. Предиктори властивостей можуть бути крихкими, тому команди зазвичай ранжують кандидатів за допомогою кількох моделей, а потім експериментально підтверджують найкращі варіанти.

Чи може генеративний ШІ допомогти також у біологічних препаратах та білковій інженерії?

Так, команди використовують його для генерації послідовностей антитіл, ідей дозрівання афінності, покращення стабільності та дослідження ферментів або пептидів. Генерація білків/послідовностей може виглядати правдоподібною, але не є розроблюваною, тому важливо застосовувати фільтри розроблюваності, імуногенності та технологічності. Структурні інструменти, такі як AlphaFold, можуть підтримувати міркування, але «правдоподібна структура» все ще не є доказом експресії, функції чи безпеки. Петлі вологої лабораторії залишаються важливими.

Як генеративний ШІ підтримує планування синтезу та ретросинтезу?

Планувальники ретросинтезу можуть пропонувати маршрути, вихідні матеріали та рейтинги маршрутів, щоб пришвидшити генерування ідей та швидко виключити нездійсненні шляхи. Інструменти та підходи, такі як планування в стилі AiZynthFinder, є найефективнішими в поєднанні з перевірками реальної доцільності, що проводяться хіміками. Доступність, безпека, обмеження масштабування та «паперові реакції», які не працюють на практиці, все ще вимагають людського судження. Використаний таким чином, він економить час, не вдаючи, що хімія вирішена.

Посилання

  1. Nature - Огляд відкриття лігандів (2023) - nature.com

  2. Природна біотехнологія - GENTRL (2019) - nature.com

  3. Природа - AlphaFold (2021) - nature.com

  4. Природа - РФ-дифузія (2023) - nature.com

  5. Nature Biotechnology - Генератор білків (2024) - nature.com

  6. Nature Communications - Пакетні ефекти в клітинній візуалізації (2024) - nature.com

  7. npj Цифрова медицина - Галюцинації + система безпеки (2025) - nature.com

  8. npj Цифрова медицина - Мультимодальний напрямок у біотехнологіях (2025) - nature.com

  9. Наука - ProteinMPNN (2022) - science.org

  10. Клітинні патерни - ступінь магістра права з розробки ліків (2025) - cell.com

  11. ScienceDirect (Elsevier) - Генеративні моделі в розробці нових лікарських засобів (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): проблеми новизни/унікальності - sciencedirect.com

  13. Аналіз медичних зображень (ScienceDirect) - Мультимодальний штучний інтелект у медицині (2025) - sciencedirect.com

  14. PubMed Central - Посібник для клініцистів (ризик галюцинацій) - nih.gov

  15. Звіти про хімічні дослідження (публікації ACS) - Хімічний простір (2015) - acs.org

  16. PubMed Central - Ірвін та Шойчет (2009): хімічна просторова шкала - nih.gov

  17. Рубежі у відкритті ліків (PubMed Central) - Огляд (2024) - nih.gov

  18. Журнал хімічної інформації та моделювання (публікації ACS) - Дифузійні моделі в розробці ліків de novo (2024) - acs.org

  19. PubMed Central - REINVENT 4 (відкритий фреймворк) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (важливі ранні версії ADMET) - nih.gov

  21. ОЕСР - Принципи валідації моделей (Q)SAR для регуляторних цілей - oecd.org

  22. ОЕСР - Керівний документ щодо валідації моделей (Q)SAR - oecd.org

  23. Звіти про хімічні дослідження (публікації ACS) - Комп'ютерне планування синтезу / CASP (Колі, 2018) - acs.org

  24. Центральна наука ACS (публікації ACS) - Комп'ютерний ретросинтез (Колі, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Ліпінський: контекст правила 5 - nih.gov

  27. Журнал медичної хімії (публікації ACS) - Baell & Holloway (2010): PAINS - acs.org

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

  29. PubMed - Rives (2021): моделі білкової мови - nih.gov

  30. PubMed Central - Leek et al. (2010): ефекти партій - nih.gov

  31. PubMed Central - Огляд Diffusion (2025) - nih.gov

  32. FDA - E14 та S7B: клінічна та доклінічна оцінка подовження інтервалу QT/QTc та проаритмічного потенціалу (Q&A) - fda.gov

  33. Європейське агентство з лікарських засобів - огляд рекомендацій ICH E14/S7B - europa.eu

  34. USENIX - Карліні та ін. (2021): вилучення навчальних даних з мовних моделей - usenix.org

  35. Единбурзький університет – Цифрові дослідницькі служби – Ресурс електронного лабораторного зошита (ELN) – ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): Область застосування QSAR - sciencedirect.com

Знайдіть найновіший штучний інтелект в офіційному магазині помічників зі штучним інтелектом

Про нас

Повернутися до блогу