🔧На сайте запланированы технические работы
25.12.2025 в промежутке с 18:00 до 21:00 по Московскому времени (GMT+3) на сайте будут проводиться плановые технические работы. Возможны перебои с доступом к сайту. Приносим извинения за временные неудобства. Благодарим за понимание!
🔧Site maintenance is scheduled.
Scheduled maintenance will be performed on the site from 6:00 PM to 9:00 PM Moscow time (GMT+3) on December 25, 2025. Site access may be interrupted. We apologize for the inconvenience. Thank you for your understanding!

 

Применение искусственного интеллекта в экспериментальной медицине и в разработке новых лекарственных препаратов

Обложка

Цитировать

Полный текст

Аннотация

В статье представлены основные направления применения искусственного интеллекта в разработке лекарственных препаратов и в организации и выполнении экспериментальных исследований. Показано, каким образом технологии искусственного интеллекта могут помочь в сокращении сроков трансляционного цикла и в ускорении разработок. Приведены примеры успешной реализации таких проектов. Освещены преимущества подхода и основные тренды.

Об авторах

М. М. Галагудза

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации

Email: galagudza_mm@almazovcentre.ru

Я. Г. Торопова

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации

А. О. Конради

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации

Список литературы

  1. Bali J, Garg R, Bali RT. Artificial intelligence (AI) in healthcare and biomedical research: Why a strong computational/AI bioethics framework is required? Indian J Ophthalmol. 2019;67:3–6.
  2. Mitchell TM. Machine Learning. Nachdr. New York: McGraw-Hill. 2013.
  3. Cortes C, Vapnik V. Supportvector networks. Mach Learn. 1995;20:273–97.
  4. Khatri P, Roedder S, Kimura N, et al. A common rejection module (CRM) for acute rejection across multiple organs identifies novel therapeutics for organ transplantation. J Exp Med. 2013;210:2205–21.
  5. Bzdok D, Altman N, Krzywinski M. Statistics versus machine learning. Nat Methods. 2018;15:233–4.
  6. Colic S, Wither RG, Lang M, et al. Prediction of antiepileptic drug treatment outcomes using machine learning. J Neural Eng. 2017;14:016002.
  7. Sequencing and beyond: Integrating Molecular “Omics” for Microbial Community Profiling | Nature Reviews Microbiology. Available from: https://www.nature.com/articles/nrmicro3451..
  8. A Movement Ecology Paradigm for Unifying Organismal Movement Research PNAS. Available from: https://www.pnas.org/doi/full/100.1073/pnas.0800375105..
  9. DeepLabCut: Markerless Pose Estimation of UserDefined Body Parts With Deep Learning. Nature Neuroscience. Available from https://www.nature.com/articles/s41593-018-0209-y..
  10. Regularized S-map for Inference and Forecasting with Noisy Ecological Time Series — Cenci — 2019 — Methods in Ecology and Evolution — Wiley Online Library. Available from: https://besjournals.onlinelibrary.wiley.com/doi/10.1111/2041-210X.13150..
  11. Generating Focused Molecule Libraries for Drug Discovery with Recurrent Neural Networks | ACS Central Science. Available from: https://pubs.acs.org/doi/10.1021/acscentsci. 7b00512..
  12. Schneider G. Automating drug discovery. Nat Rev Drug Discov. 2018;17:97–113.
  13. Colombo G, Agabio R, Lobina C, et al. Sardinian alcohol-preferring rats: A genetic animal model of anxiety. Physiol Behav. 1995;57:1181–5.
  14. Dzieweczynski TL, Gill CE, Perazio CE. Opponent familiarity influences the audience effect in male — Male interactions in Siamese fighting fish. Anim Behav. 2012;83:1219–24.
  15. Ekins S, Gerlach J, Zorn KM, et al. Repurposing approved drugs as inhibitors of K (v) 7.1 and Na (v) 1.8 to Treat Pitt Hopkins syndrome. Pharm Res. 2019;36:137.
  16. Heyne HO, Baez-Nieto D, Iqbal S, et al. Predicting functional effects of missense variants in voltagegated sodium and calcium channels. Sci Transl Med. 2020;12:eaay6848.
  17. Vatansever S, Schlessinger A, Wacker D, et al. Artificial intelligence and machine learningaided drug discovery in central nervous system diseases: Stateofthearts and future directions. Med Res Rev. 2021;41:1427–73.
  18. Hartung T. ToxAIcology — The evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX. 2023;40:559–70.
  19. Cherkasov A, Muratov EN, Fourches D, et al. QSAR modeling: Where have you been? Where are you going to? J Med Chem. 2014;57:4977–5010.
  20. Mayr A, Klambauer G, Unterthiner T, Hochreiter S. DeepTox: Toxicity prediction using deep learning. Front Environ Sci2016;3. Available from: https://www.frontiersin.org/articles/10.3389/fenvs.2015.00080..
  21. Sharma B, Chenthamarakshan V, Dhurandhar A, et al. Accurate clinical toxicity prediction using multitask deep neural nets and contrastive molecular explanations. Sci Rep. 2023;13:4908.
  22. Limbu S, Zakka C, Dakshanamurthy S. Predicting doserange chemical toxicity using novel hybrid deep machine-learning method. Toxics. 2022;10:706.
  23. Pu L, Naderi M, Liu T, et al. eToxPred: A machine learningbased approach to estimate the toxicity of drug candidates. BMC Pharmacol Toxicol. 2019;20:2.
  24. Costabal FS, Matsuno K, Yao J, et al. Machine learning in drug development: Characterizing the effect of 30 drugs on the QT interval using Gaussian process regression, sensitivity analysis, and uncertainty quantification. Comput Methods Appl Mech Eng. 2019;348:313–33.
  25. The Ethics of Algorithms: Mapping the Debate — Brent Daniel Mittelstadt, Patrick Allo, Mariarosaria Taddeo, Sandra Wachter, Luciano Floridi; 2016. Available from: https://journals.sagepub.com/doi/full/10.1177/2053951716679679..
  26. Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement. BMC Med. 2015;13:1.
  27. Sahu A, Mishra J, Kushwaha N. Artificial Intelligence (AI) in Drugs and Pharmaceuticals. Comb Chem High Throughput Screen. 2022;25(11):1818–1837. doi: 10.2174/1386207325666211207153943. PMID: 34875986.
  28. Sarkar C, Das B, Rawat VS, et al. Artificial Intelligence and Machine Learning Technology Driven Modern Drug Discovery and Development. Int J Mol Sci. 2023 Jan 19;24(3):2026. doi: 10.3390/ijms24032026. PMID: 36768346; PMCID: PMC9916967.
  29. Gupta R, Srivastava D, Sahu M, et al. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers. 2021 Aug;25(3):1315–1360. doi: 10.1007/s11030-021-10217-3. Epub 2021 Apr 12. PMID: 33844136; PMCID: PMC8040371.
  30. Shiammala PN, Duraimutharasan NKB, Vaseeharan B, et al. Exploring the artificial intelligence and machine learning models in the context of drug design difficulties and future potential for the pharmaceutical sectors. Methods. 2023 Nov;219:82–94. doi: 10.1016/j.ymeth.2023.09.010. Epub 2023 Sep 29. PMID: 37778659.
  31. Yang X, Wang Y, Byrne R, et al. Concepts of Artificial Intelligence for Computer-Assisted Drug Discovery. Chem Rev. 2019 Sep 25;119(18):10520–10594. doi: 10.1021/acs.chemrev.8b00728. Epub 2019 Jul 11. PMID: 31294972.
  32. Schneider G, Clark DE. Automated Automated de novo drug design: Are we nearly there yet drug design: Are we nearly there yet? Angew. Chem. Int. Ed. Engl. 2019;58(32):10792–10803. http://dx.doi.org/10.1002/anie.201814681 PMID: 30730601
  33. Schneider G. Generative models for artificiallyintelligent molecular design. Mol. Inform. 2018;37(1–2):1880131. http://dx.doi.org/10.1002/minf.201880131 PMID: 29442446
  34. Putin E, Asadulaev A, Ivanenkov Y, et al. Reinforced Adversarial Neural Computer for de novo Molecular Design. J. Chem. Inf. Model. 2018;58(6):1194–1204. http://dx.doi.org/10.1021/acs.jcim.7b00690 PMID: 29762023
  35. Hayik SA, Dunbrack R, Jr, Merz KM, Jr. A mixed QM/MM scoring function to predict proteinligand binding affinity. J. Chem. Theory Comput. 2010;6(10):3079–3091. http://dx.doi.org/10.1021/ct100315g PMID: 21221417
  36. Paul D, Sanap G, Shenoy S, et al. Artificial intelligence in drug discovery and development. Drug Discov. Today. 2021;26(1):80–93. http://dx.doi.org/10.1016/j.drudis.2020.10.010 PMID: 33099022
  37. Ghosh A, Choudhary G, Medhi B. The pivotal role of artificial intelligence in enhancing experimental animal model research: A machine learning perspective. Indian J Pharmacol. 2024 Jan 1;56(1):1–3.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».