論文の概要: AI and the future of pharmaceutical research

• arxiv url: http://arxiv.org/abs/2107.03896v1
• Date: Fri, 25 Jun 2021 17:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 13:40:49.048029
• Title: AI and the future of pharmaceutical research
• Title（参考訳）: AIと医薬品研究の将来
• Authors: Adam Zielinski
• Abstract要約: この論文は、医薬品のAIの継続的な革新は、これまで治療できなかった病気に対する安全で効果的な治療法の迅速な開発を可能にすると論じている。 業界はすでに、薬物分子発見時間の10倍削減などの結果を報告している。 この論文は、医薬品のAIに焦点をあてることによって、業界はもう一つの大きな破壊、すなわちオープンなデータ共有とコラボレーションに向けて軌道を踏み出した、と結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper examines how pharmaceutical Artificial Intelligence advancements may affect the development of new drugs in the coming years. The question was answered by reviewing a rich body of source material, including industry literature, research journals, AI studies, market reports, market projections, discussion papers, press releases, and organizations' websites. The paper argues that continued innovation in pharmaceutical AI will enable rapid development of safe and effective therapies for previously untreatable diseases. A series of major points support this conclusion: The pharmaceutical industry is in a significant productivity crisis today, and AI-enabled research methods can be directly applied to reduce the time and cost of drug discovery projects. The industry already reported results such as a 10-fold reduction in drug molecule discovery times. Numerous AI alliances between industry, governments, and academia enabled utilizing proprietary data and led to outcomes such as the largest molecule toxicity database to date or more than 200 drug safety predictive models. The momentum was recently increased by the involvement of tech giants combined with record rounds of funding. The long-term effects will range from safer and more effective therapies, through the diminished role of pharmaceutical patents, to large-scale collaboration and new business strategies oriented around currently untreatable diseases. The paper notes that while many reviewed resources seem to have overly optimistic future expectations, even a fraction of these developments would alleviate the productivity crisis. Finally, the paper concludes that the focus on pharmaceutical AI put the industry on a trajectory towards another significant disruption: open data sharing and collaboration.
• Abstract（参考訳）: 本稿では今後,医薬品の進歩が医薬品開発にどのような影響を与えるかを検討する。 この質問は、業界文献、研究雑誌、ai研究、市場報告、市場予測、討論論文、プレスリリース、組織のウェブサイトを含む豊富なソース資料をレビューすることで答えられた。 この論文は、医薬品のAIの継続的な革新は、これまで治療できなかった病気に対する安全で効果的な治療法の迅速な開発を可能にすると論じている。 製薬業界は今日、重大な生産性危機に陥っており、aiを活用した研究手法を直接適用することで、医薬品発見プロジェクトの時間とコストを削減することができる。 業界はすでに、薬物分子発見時間の10倍削減などの結果を報告している。 産業、政府、アカデミア間の多くのAIアライアンスにより、独自データの利用が可能となり、これまでで最大の分子毒性データベースや200以上の薬物安全性予測モデルなどの結果につながった。 最近、テック大企業と記録的な資金調達ラウンドが組み合わさったことで勢いが増した。 長期的な効果は、安全で効果的な治療法から、薬品の特許の役割が減り、大規模なコラボレーションや、現在治療不能な病気に焦点を当てた新しいビジネス戦略まで幅広い。 論文は、多くのレビューされたリソースは、過度に楽観的な将来の期待を持っているように見えるが、これらの開発のごく一部でさえ、生産性の危機を緩和するだろうと指摘している。 最後に、この論文は、医薬品のAIに焦点をあてることによって、別の大きな破壊、すなわちオープンデータ共有とコラボレーションに向けて業界を軌道に乗せたと結論付けている。

関連論文リスト

• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• New Horizons: Pioneering Pharmaceutical R&D with Generative AI from lab to the clinic -- an industry perspective [0.1843404256219181]
  生成AIの急速な進歩は、産業全体にわたる研究開発の戦略的ビジョンを変えつつある。 創生AIの応用は、早期発見から規制承認に至るまで、バリューチェーン全体に沿って価値を提供する。 このパースペクティブはこれらの課題をレビューし、すでに影響をもたらす生成AIアプリケーションを探るために3つの水平なアプローチを取ります。
  論文  参考訳（メタデータ） (2023-12-19T16:04:07Z)
• Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates [6.268435617836703]
  本研究では, 医薬品特許やバイオメディカルデータベースなど, さまざまな資料を解析するための新しいプロトコルを提案する。 薬物再配置候補を, 技術的可能性と科学的証拠の両方で同定する。 アルツハイマー病の症例研究は,その有効性と実現可能性を示している。
  論文  参考訳（メタデータ） (2023-09-04T02:30:19Z)
• Artificial Intelligence for Drug Discovery: Are We There Yet? [0.08306867559432653]
  薬物発見は、効果的な治療開発を促進するために、データサイエンス、情報学、人工知能(AI)といった新しい技術に適応している。 本稿では, 薬物発見の3つの柱である疾患, 標的, 治療モダリティにおけるAIの利用について論じる。
  論文  参考訳（メタデータ） (2023-07-13T01:51:26Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• The impact of external innovation on new drug approvals: A retrospective analysis [0.0]
  食品医薬品局(FDA)が承認した新規分子実体(NMEs)と13大手製薬会社(2006-2016)による新生物実体(NBEs)の出版前史を分析した。 その結果,学術機関が出版前の出版物の大部分に貢献し,出版内容が各イノベータの強みと密接に一致していることが判明した。 これは、認可された薬物が、多くの機関によって提供されるより堅牢なデータセットと関連付けられていることを示唆している。
  論文  参考訳（メタデータ） (2021-02-02T02:21:34Z)
• Applications of artificial intelligence in drug development using real-world data [3.692950272002333]
  FDAは医薬品開発における実世界のデータ(RWD)の利用を積極的に推進している。 RWDは、治療が使用される実際の臨床環境を反映した重要な現実世界の証拠を生成することができる。 ML/DL(Machine- and Deep-learning)法は、薬物開発プロセスの多くの段階にまたがって用いられている。
  論文  参考訳（メタデータ） (2021-01-22T01:13:54Z)
• Learnings from Frontier Development Lab and SpaceML -- AI Accelerators for NASA and ESA [57.06643156253045]
  AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。 我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。 FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
  論文  参考訳（メタデータ） (2020-11-09T21:23:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。