Обзор интегрированных моделей искусственного интеллекта на основе машинного и глубокого обучения для прогнозирования фармакокинетики и токсикокинетики и их применения

Развитие инструментов и технологий искусственного интеллекта (ИИ) превратило открытие лекарственных препаратов с применением ИИ в быстро развивающееся направление. Мы уверенно вступили в эпоху ИИ, характеризующуюся гибридными архитектурами, сочетающими глубокое обучение (DL) и традиционное машинное обучение (ML). Хотя традиционные модели способны прогнозировать свойства ADMET (всасывание, распределение, метаболизм, выведение и токсичность), их эффективность остается относительно низкой, а повышение точности прогнозирования по-прежнему представляет собой сложную задачу. В последнее время несколько исследовательских групп разработали гибридные модели обучения, успешно решающие эти проблемы и повышающие точность прогнозов. В настоящем обзоре рассматриваются систематические тенденции трансформации моделей искусственного интеллекта — от традиционных методов DL и ML к гибридным моделям обучения ИИ. По сравнению с традиционными ML и DL гибридные модели ИИ повышают эффективность за счет сокращения сроков и стоимости разработки лекарственных препаратов, а также увеличивают вероятность успеха. В этом контексте продолжающаяся разработка нового программного обеспечения для ADMET на основе гибридного ИИ и мультимодельных методов может повысить точность фармакокинетико-фармакодинамических прогнозов, улучшить прогнозирование конечных точек ADMET и ускорить открытие новых химических соединений. Кроме того, в обзоре рассматриваются перспективы применения ИИ в фармацевтических науках и прогнозировании ADMET, включая модели прогнозирования на основе ИИ — от базовых ML/DL до недавно разработанных гибридных моделей, параметры оценки и их применение для прогнозирования свойств ADMET. ЗНАЧЕНИЕ: В статье обобщаются результаты текущих исследований по разработке программного обеспечения для ADMET (всасывание, распределение, метаболизм, выведение и токсичность) на основе гибридного искусственного интеллекта и мультимодельных методов, которые могут повысить точность фармакокинетико-фармакодинамических прогнозов, улучшить прогнозирование конечных точек ADMET и ускорить открытие лекарственных препаратов.