論文の概要: Programmable Virtual Humans Toward Human Physiologically-Based Drug Discovery
- arxiv url: http://arxiv.org/abs/2507.19568v1
- Date: Fri, 25 Jul 2025 16:40:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:55.675639
- Title: Programmable Virtual Humans Toward Human Physiologically-Based Drug Discovery
- Title（参考訳）: プログラム可能な仮想人間はヒトの生理的薬物発見をめざす
- Authors: You Wu, Philip E. Bourne, Lei Xie,
- Abstract要約: 現在のアプローチは、既存の高スループット実験をデジタル化するだけである。
従来のパイプラインに制約されている。
プログラム可能な仮想人間は 治療効果と安全性を これまでになく早く最適化する 変態経路を提供する
- 参考スコア（独自算出の注目度）: 9.308864711259357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has sparked immense interest in drug discovery, but most current approaches only digitize existing high-throughput experiments. They remain constrained by conventional pipelines. As a result, they do not address the fundamental challenges of predicting drug effects in humans. Similarly, biomedical digital twins, largely grounded in real-world data and mechanistic models, are tailored for late-phase drug development and lack the resolution to model molecular interactions or their systemic consequences, limiting their impact in early-stage discovery. This disconnect between early discovery and late development is one of the main drivers of high failure rates in drug discovery. The true promise of AI lies not in augmenting current experiments but in enabling virtual experiments that are impossible in the real world: testing novel compounds directly in silico in the human body. Recent advances in AI, high-throughput perturbation assays, and single-cell and spatial omics across species now make it possible to construct programmable virtual humans: dynamic, multiscale models that simulate drug actions from molecular to phenotypic levels. By bridging the translational gap, programmable virtual humans offer a transformative path to optimize therapeutic efficacy and safety earlier than ever before. This perspective introduces the concept of programmable virtual humans, explores their roles in a new paradigm of drug discovery centered on human physiology, and outlines key opportunities, challenges, and roadmaps for their realization.
- Abstract（参考訳）: 人工知能(AI)は、薬物発見に多大な関心を喚起しているが、現在のほとんどのアプローチは、既存の高スループット実験をデジタル化するだけである。
従来のパイプラインに制約されている。
結果として、ヒトにおける薬物効果を予測するという根本的な課題に対処することができない。
同様に、生医学的なデジタル双生児は現実世界のデータや機械モデルにほとんど根ざしており、後期の薬物開発に向いており、分子間相互作用やその体系的な結果のモデル化の解像度が欠如しており、初期の発見における影響を制限している。
この早期発見と後期開発の間の断絶は、薬物発見における高い失敗率の要因の1つである。
AIの真の約束は、現在の実験を増やすことではなく、現実世界では不可能な仮想実験を可能にすることにある。
近年のAI, 高スループット摂動測定, 単一細胞および空間オミクスの進歩により, プログラム可能な仮想人間の構築が可能になった。
翻訳のギャップを埋めることによって、プログラム可能な仮想人間は、これまで以上に早く治療効果と安全性を最適化するトランスフォーメーションパスを提供する。
この視点は、プログラム可能な仮想人間の概念を導入し、人間の生理学を中心とした薬物発見の新しいパラダイムでそれらの役割を探求し、その実現のための重要な機会、課題、ロードマップを概説する。
関連論文リスト
- Position: Intelligent Science Laboratory Requires the Integration of Cognitive and Embodied AI [98.19195693735487]
知的科学研究所(ISL)のパラダイムを提案する。
ISLは、認知と具体的知性を深く統合した多層クローズドループフレームワークである。
このようなシステムは、現在の科学的発見の限界を克服するために不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2025-06-24T13:31:44Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - 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) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Accelerating science with human-aware artificial intelligence [2.7786142348700658]
教師なしモデルのトレーニングにより、人間の専門知識の分布を取り入れることで、将来の発見のAI予測が劇的に向上する(最大400%)。
これらのモデルは、人間の予測とそれを作る科学者を予測することで成功します。
人間の発見を加速する、あるいはその盲点を探索するAIは、現代科学の最前線を行き来することを可能にする。
論文 参考訳（メタデータ） (2023-06-02T12:43:23Z) - Recent Developments in Structure-Based Virtual Screening Approaches [0.0]
構造に基づく仮想スクリーニングの基礎について紹介する。
主要な原則、最近の成功談、新しい方法、利用可能なソフトウェア、将来的な研究方向性について概説する。
バーチャルスクリーニングは、新しい小分子薬の開発において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2022-11-06T19:28:25Z) - Artificial Intelligence based Autonomous Molecular Design for Medical
Therapeutic: A Perspective [9.371378627575883]
ドメイン認識機械学習(ML)モデルは、小さな分子治療設計の加速にますます採用されている。
我々は、各コンポーネントによって達成された最新のブレークスルーと、このような自律型AIとMLワークフローをどのように実現できるかを提示する。
論文 参考訳（メタデータ） (2021-02-10T00:43:46Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳（メタデータ） (2020-04-14T20:52:49Z)
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。