論文の概要: Artificial intelligence in drug discovery: A comprehensive review with a case study on hyperuricemia, gout arthritis, and hyperuricemic nephropathy

• arxiv url: http://arxiv.org/abs/2507.03407v1
• Date: Fri, 04 Jul 2025 09:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.721556
• Title: Artificial intelligence in drug discovery: A comprehensive review with a case study on hyperuricemia, gout arthritis, and hyperuricemic nephropathy
• Title（参考訳）: 薬物発見における人工知能 : 高尿酸血症、痛風関節炎、高尿素性腎症を事例として
• Authors: Junwei Su, Cheng Xin, Ao Shang, Shan Wu, Zhenzhen Xie, Ruogu Xiong, Xiaoyu Xu, Cheng Zhang, Guang Chen, Yau-Tuen Chan, Guoyi Tang, Ning Wang, Yong Xu, Yibin Feng,
• Abstract要約: 本稿では、薬物発見パイプライン全体にわたる人工知能(AI)と機械学習(ML)の最近の進歩を体系的にレビューする。 本来的な複雑さ、コストのエスカレーション、タイムラインの延長、従来の薬物発見手法の失敗率の高さなどにより、AI/MLがプロセス全体を通してどのように効果的に統合できるかを理解することが不可欠である。
• 参考スコア（独自算出の注目度）: 18.76414044151594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper systematically reviews recent advances in artificial intelligence (AI), with a particular focus on machine learning (ML), across the entire drug discovery pipeline. Due to the inherent complexity, escalating costs, prolonged timelines, and high failure rates of traditional drug discovery methods, there is a critical need to comprehensively understand how AI/ML can be effectively integrated throughout the full process. Currently available literature reviews often narrowly focus on specific phases or methodologies, neglecting the dependence between key stages such as target identification, hit screening, and lead optimization. To bridge this gap, our review provides a detailed and holistic analysis of AI/ML applications across these core phases, highlighting significant methodological advances and their impacts at each stage. We further illustrate the practical impact of these techniques through an in-depth case study focused on hyperuricemia, gout arthritis, and hyperuricemic nephropathy, highlighting real-world successes in molecular target identification and therapeutic candidate discovery. Additionally, we discuss significant challenges facing AI/ML in drug discovery and outline promising future research directions. Ultimately, this review serves as an essential orientation for researchers aiming to leverage AI/ML to overcome existing bottlenecks and accelerate drug discovery.
• Abstract（参考訳）: 本稿では、薬物発見パイプライン全体にわたる機械学習(ML)を中心に、人工知能(AI)の最近の進歩を体系的にレビューする。 本来的な複雑さ、コストのエスカレーション、タイムラインの延長、従来の薬物発見手法の失敗率の高さなどにより、AI/MLがプロセス全体を通してどのように効果的に統合できるかを包括的に理解する必要がある。 現在入手可能な文献レビューでは、ターゲット識別、ヒットスクリーニング、リード最適化といった主要なステージ間の依存を無視し、特定のフェーズや方法論に焦点を絞っていることが多い。 このギャップを埋めるために、このレビューでは、これらのコアフェーズにわたるAI/MLアプリケーションの詳細な、総合的な分析を提供し、各ステージにおける重要な方法論的進歩とその影響を強調します。 本研究は, 高尿酸血症, 痛風性関節炎, 高尿路性腎症を主眼とした詳細な症例研究を通じて, 分子標的同定と治療候補発見の現実的な成功に注目した。 さらに、薬物発見においてAI/MLが直面する重要な課題について論じ、将来的な研究の方向性を概説する。 最終的に、このレビューは、AI/MLを活用して既存のボトルネックを克服し、薬物発見を加速することを目指す研究者にとって、不可欠な方向性となる。

関連論文リスト

• Graph-structured Small Molecule Drug Discovery Through Deep Learning: Progress, Challenges, and Opportunities [37.84367643280023]
  小分子の薬物は様々な疾患の治療に広く用いられており、薬物発見の重要な要素となっている。 深層学習(DL)技術は予測精度、速度、複雑な分子関係において優れた性能を発揮する。 本稿では, グラフ構造小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
  論文  参考訳（メタデータ） (2025-02-13T05:24:52Z)
• Decoding Drug Discovery: Exploring A-to-Z In silico Methods for Beginners [4.08908337437878]
  本研究の主な目的は、薬物開発プロセスで使用されるシリコ法をレビューすることである。 本稿では, 生物活性化合物の標的同定に必須であるシリカ技術におけるA-to-Zについて, 徹底的に論じる。
  論文  参考訳（メタデータ） (2024-12-15T10:02:38Z)
• A Comprehensive Guide to Enhancing Antibiotic Discovery Using Machine Learning Derived Bio-computation [0.7739316058960921]
  薬物発見プロセスの合理化と高速化に使用できる、さまざまなAIおよびMLツールの概要を提供する。 我々は、高品質なデータの不足を含む、AIベースの薬物発見と開発における制限に対処する。 我々は,AIとMLが新たな抗生物質の発見を迅速化して,世界的な抗菌抵抗性問題に対処する方法について論じる。
  論文  参考訳（メタデータ） (2024-11-08T23:04:42Z)
• 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)
• Artificial Intelligence in Gastrointestinal Bleeding Analysis for Video Capsule Endoscopy: Insights, Innovations, and Prospects (2008-2023) [0.7119794757408745]
  全世界で30万人もの死亡が胃腸出血と関連している。 Video Capsule Endoscopy (VCE) は、消化器の包括的、非侵襲的な可視化を提供することにより、大きな進歩を遂げた。 その利点にもかかわらず、VCEの有効性は、時間を要する分析や人間のエラーに対する感受性など、診断上の課題によって妨げられている。 本稿では,出血検出における機械学習(ML)手法の現状を評価し,その有効性,課題,今後の方向性を明らかにする。
  論文  参考訳（メタデータ） (2024-09-01T07:13:28Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。