[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای داوران::
ثبت نام ::
اشتراک::
اطلاعات نمایه::
برای نویسندگان::
لینکهای مفید::
فرآیند چاپ::
پست الکترونیک::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 34، شماره 2 - ( تابستان 1403 ) ::
جلد 34 شماره 2 صفحات 111-105 برگشت به فهرست نسخه ها
بررسی استفاده از هوش مصنوعی در داروشناسی و روند کشف دارو
سید پویان پیشوا1 ، سیده زهرا موسوی 2
1- گروه فارماکولوژی و سم شناسی، دانشکده داروسازی و علوم دارویی، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه فارماکولوژی و سم شناسی، دانشکده داروسازی و علوم دارویی، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران ، mosavi50@yahoo.com
چکیده:   (677 مشاهده)
سابقه و هدف: ﺍﺑﺪﺍﻉ هوش مصنوعی شیوه زندگی را به طور کلی ﺩﺳﺘﺨﻮﺵ ﺗﻐﻴﻴﺮ کرده است. در حال حاضر هوش مصنوعی در سراسر زنجیره تحقیقات فارماکولوژی و حوزه کشف دارو استفاده می­شود و این فن­آوری توان لازم را دارد که فرآیند کشف دارو را متحول کند و کارایی، دقت و سرعت را بهبود ببخشد.
روش بررسی: ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ ﻣﺮﻭﺭﻱ، ﻧﺘﺎﻳﺞ ﻣﻘﺎﻻﺕ ﻣﻨﺘﺸﺮ ﺷﺪﻩ ﺩﺳﺘﻪ ﺑﻨﺪﻱ ﻭ به طور نظام مند به گروه های کاربرد هوش مصنوعی در فارماکولوژی، صنعت دارو و کشف دارویی تقسیم شدند ﻭ ﻣﻮﺭﺩ ﺗﺤﻠﻴﻞ ﻗﺮﺍﺭ ﮔﺮﻓﺘﻨﺪ. ﺍﻃﻼﻋﺎﺕ ﺣﺎﺻﻞ ﺑﺪﺳﺖ ﺁﻣﺪﻩ ﺍﺯ ﻣﻘﺎﻻﺕ ﻓﻮﻕ ﻧﻴﺰ ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﻃﺒﻘﻪ ﺑﻨﺪﻱ ﻭ ﻣﻮﺭﺩ ﺑﺮﺭﺳﻲ ﻗﺮﺍﺭ ﮔﺮﻓﺖ. 
یافته­ها: ﻳﺎﻓﺘﻪ­ﻫﺎ ﺣﺎﺻﻞ ﺍﺯ ﺑﺮﺭﺳﻲ 88 ﻣﻘﺎﻟﻪ، ﺑﻴﺎﻧﮕﺮ آن است که مزایای استفاده از هوش مصنوعی عبارت از گستردگی و بهبود ساختارها در فرآیند طراحی دارو (مانند داروی  INS018_055برای درمان فیبروز ریوی)، پیش بینی بهتر اثر لیگاند بر رسپتور و همکاری بهتر تیم درمان هستند و مضراتی هم مانند مشکلات تصمیم­گیری علمی با هوش مصنوعی، نگرانی‌های اخلاقی در حوزه داروسازی و شناخت محدودیت‌های رویکردهای مبتنی بر هوش مصنوعی مورد اشاره قرار گرفتند. تقویت شبکه­های عصبی پایگاه داده­ها، ادغام هوش مصنوعی با روش­های تجربی سنتی و همچنین استفاده از ابزارهای درون رایانه‌ای In silico امکان حل مشکلات را تسهیل می­کند.
نتیجه­گیری: استفاده بهینه از رویکرد‌های هوش مصنوعی به تسریع فرآیند کشف دارو منتهی خواهد شد؛ ﺍﺯ ﺍﻳﻦ ﺭﻭ ﺍﻧﺠﺎﻡ ﻣﻄﺎﻟﻌﺎﺕ ﺑﻴﺸﺘﺮ ﻣﺮﺗﺒﻂ ﺑﺎ ﺗﺎﺛﻴﺮ هوش مصنوعی در تحقیقات دارویی ﺍﻣﺮﻱ ﺿﺮﻭﺭﻱ ﺍﺳﺖ.
 
واژه‌های کلیدی: داروشناسی، ارزیابی اطلاعات، هوش مصنوعی، کشف دارو
متن کامل [PDF 316 kb]   (427 دریافت)    
نيمه آزمايشي : مروري سيستماتيك | موضوع مقاله: داروسازي
دریافت: 1402/8/28 | پذیرش: 1402/10/7 | انتشار: 1403/4/10
فهرست منابع
1. Chopra H, Baig AA, Gautam RK, Kamal MA. Application of Artificial Intelligence in Drug Discovery. Curr Pharm Des 2022;28:2690-2703 [DOI:10.2174/1381612828666220608141049]
2. Sandeep Ganesh G, Kolusu AS, Prasad K, Samudrala PK, Nemmani KVS. Advancing health care via artificial intelligence: From concept to clinic. Eur J Pharmacol 2022;934:175320. [DOI:10.1016/j.ejphar.2022.175320]
3. Li S, Chen J, Hu Y, Ye M. Editorial: Network pharmacology and AI. J Ethnopharmacol 2023;307:116260. [DOI:10.1016/j.jep.2023.116260]
4. Badillo S, Banfai B, Birzele F, Davydov II, Hutchinson L, Kam-Thong T, et al. An Introduction to Machine Learning. Clin Pharmacol Ther 2020 Apr;107:871-885. [DOI:10.1002/cpt.1796]
5. Smith GF. Artificial Intelligence in Drug Safety and Metabolism. Methods Mol Biol 2022;2390:483-501. [DOI:10.1007/978-1-0716-1787-8_22]
6. Murali K, Kaur S, Prakash A, Medhi B. Artificial intelligence in pharmacovigilance: Practical utility. Indian J Pharmacol 2019;51:373-376. [DOI:10.4103/ijp.IJP_814_19]
7. Johnson M, Patel M, Phipps A, van der Schaar M, Boulton D, Gibbs M. The potential and pitfalls of artificial intelligence in clinical pharmacology. CPT Pharmacometrics Syst Pharmacol 2023;12:279-284. [DOI:10.1002/psp4.12902]
8. Romm EL, Tsigelny IF. Artificial Intelligence in Drug Treatment. Annu Rev Pharmacol Toxicol 2020;60:353-369. [DOI:10.1146/annurev-pharmtox-010919-023746]
9. van der Lee M, Swen JJ. Artificial intelligence in pharmacology research and practice. Clin Transl Sci 2023;16:31-36. [DOI:10.1111/cts.13431]
10. Basile AO, Yahi A, Tatonetti NP. Artificial Intelligence for Drug Toxicity and Safety. Trends Pharmacol Sci 2019;40:624-635. [DOI:10.1016/j.tips.2019.07.005]
11. Kumar M, Nguyen TPN, Kaur J, Singh TG, Soni D, Singh R, et al. Opportunities and challenges in application of artificial intelligence in pharmacology. Pharmacol Rep 2023;75:3-18. [DOI:10.1007/s43440-022-00445-1]
12. Lin E, Lin CH, Lane HY. Precision Psychiatry Applications with Pharmacogenomics: Artificial Intelligence and Machine Learning Approaches. Int J Mol Sci 2020;21:969. [DOI:10.3390/ijms21030969]
13. Cascella M, Schiavo D, Cuomo A, Ottaiano A, Perri F, Patrone R, et al. Artificial Intelligence for Automatic Pain Assessment: Research Methods and Perspectives. Pain Res Manag 2023;2023:6018736. [DOI:10.1155/2023/6018736]
14. Bender A, Cortes-Ciriano I. Artificial intelligence in drug discovery: what is realistic, what are illusions? Part 2: a discussion of chemical and biological data. Drug Discov Today 2021;26:1040-1052. [DOI:10.1016/j.drudis.2020.11.037]
15. Ballester PJ, Stevens R, Haibe-Kains B, Huang RS, Aittokallio T. Artificial intelligence for drug response prediction in disease models. Brief Bioinform 2022;23:bbab450.
16. Poalelungi DG, Musat CL, Fulga A, Neagu M, Neagu AI, Piraianu AI, et al. Advancing Patient Care: How Artificial Intelligence Is Transforming Healthcare. J Pers Med 2023;13:1214. [DOI:10.3390/jpm13081214]
17. Rashid MBMA, Chow EK. Artificial Intelligence-Driven Designer Drug Combinations: From Drug Development to Personalized Medicine. SLAS Technol 2019;24:124-125. [DOI:10.1177/2472630318800774]
18. Mukherjee K. 40 Years of Trends in Pharmacological Sciences: Blending Man and Machine. Trends Pharmacol Sci 2019;40:541-542. [DOI:10.1016/j.tips.2019.06.006]
19. Wang W, Ye Z, Gao H, Ouyang D. Computational pharmaceutics - A new paradigm of drug delivery. J Control Release 2021;338:119-136. [DOI:10.1016/j.jconrel.2021.08.030]
20. Damiati SA. Digital Pharmaceutical Sciences. AAPS PharmSciTech 2020;21:206. [DOI:10.1208/s12249-020-01747-4]
21. Persidis A, Persidis A. Artificial intelligence for drug design. Nat Biotechnol 1997;15:1035-6. [DOI:10.1038/nbt1097-1035]
22. Chan HCS, Shan H, Dahoun T, Vogel H, Yuan S. Advancing Drug Discovery via Artificial Intelligence. Trends Pharmacol Sci 2019;40:592-604. [DOI:10.1016/j.tips.2019.06.004]
23. Zhavoronkov A, Vanhaelen Q, Oprea TI. Will Artificial Intelligence for Drug Discovery Impact Clinical Pharmacology? Clin Pharmacol Ther 2020;107:780-785. [DOI:10.1002/cpt.1795]
24. Asl BA, Mogharizadeh L, Khomjani N, Rasti B, Pishva SP, Akhtari K, et al. Probing the interaction of zero valent iron nanoparticles with blood system by biophysical, docking, cellular, and molecular studies. Int J Biol Macromol 2018 1;109:639-650. [DOI:10.1016/j.ijbiomac.2017.12.085]
25. Yang X, Wang Y, Byrne R, Schneider G, Yang S. Concepts of Artificial Intelligence for Computer-Assisted Drug Discovery. Chem Rev 2019;119:10520-10594. [DOI:10.1021/acs.chemrev.8b00728]
26. Munteanu CR, Dorado J, Pazos A. Artificial intelligence techniques in medicinal chemistry. Curr Top Med Chem 2013;13:525. [DOI:10.2174/1568026611313050001]
27. Duch W, Swaminathan K, Meller J. Artificial intelligence approaches for rational drug design and discovery. Curr Pharm Des 2007;13:1497-508. [DOI:10.2174/138161207780765954]
28. Farghali H, Kutinová Canová N, Arora M. The potential applications of artificial intelligence in drug discovery and development. Physiol Res 2021;70:S715-722. [DOI:10.33549/physiolres.934765]
29. Noor F, Asif M, Ashfaq UA, Qasim M, Tahir Ul Qamar M. Machine learning for synergistic network pharmacology: a comprehensive overview. Brief Bioinform 2023;24:bbad120. [DOI:10.1093/bib/bbad120]
30. Liu Q, Huang R, Hsieh J, Zhu H, Tiwari M, Liu G, et al. Landscape Analysis of the Application of Artificial Intelligence and Machine Learning in Regulatory Submissions for Drug Development From 2016 to 2021. Clin Pharmacol Ther 2023;113:771-774. [DOI:10.1002/cpt.2668]
31. Trajanov D, Trajkovski V, Dimitrieva M, Dobreva J, Jovanovik M, Klemen M, et al. Review of Natural Language Processing in Pharmacology. Pharmacol Rev 2023;75:714-738. [DOI:10.1124/pharmrev.122.000715]
32. Muratov EN, Bajorath J, Sheridan RP, Tetko IV, Filimonov D, Poroikov V, et al. QSAR without borders. Chem Soc Rev 2020;49:3525-3564. [DOI:10.1039/D0CS00098A]
33. Iman M, Shafaroodi H, Davood A, Abedini M, Pishva P, Taherkhani M, et al. Design and Synthesis of 2-(Arylmethylideneamino) Isoindolines as New Potential Analgesic and Anti-Inflammatory Agents: A Molecular Hybridization Approach. Curr Pharm Des 2016;22:5760-5766. [DOI:10.2174/1381612822666160701072127]
34. Asl BA, Mogharizadeh L, Khomjani N, Rasti B, Pishva SP, Akhtari K, et al. Probing the interaction of zero valent iron nanoparticles with blood system by biophysical, docking, cellular, and molecular studies. Int J Biol Macromol 2018;109:639-650. [DOI:10.1016/j.ijbiomac.2017.12.085]
35. Sarkar C, Das B, Rawat VS, Wahlang JB, Nongpiur A, Tiewsoh I, et al. Artificial Intelligence and Machine Learning Technology Driven Modern Drug Discovery and Development. Int J Mol Sci 2023;24:2026. [DOI:10.3390/ijms24032026]
36. Huang Y, Li C, Shi D, Wang H, Shang X, Wang W, et al. Integrating oculomics with genomics reveals imaging biomarkers for preventive and personalized prediction of arterial aneurysms. EPMA J 2023;14:73-86. [DOI:10.1007/s13167-023-00315-7]
37. Schneider G, Clark DE. Automated De Novo Drug Design: Are We Nearly There Yet? Angew Chem Int Ed Engl 2019;58:10792-10803. [DOI:10.1002/anie.201814681]
38. Zagotto G, Bortoli M. Drug Design: Where We Are and Future Prospects. Molecules 2021;26:7061. [DOI:10.3390/molecules26227061]
39. Rudmann D, Albretsen J, Doolan C, Gregson M, Dray B, Sargeant A, et al. Using Deep Learning Artificial Intelligence Algorithms to Verify N-Nitroso-N-Methylurea and Urethane Positive Control Proliferative Changes in Tg-RasH2 Mouse Carcinogenicity Studies. Toxicol Pathol 2021;49:938-949. [DOI:10.1177/0192623320973986]
40. Putin E, Mamoshina P, Aliper A, Korzinkin M, Moskalev A, Kolosov A, et al. Deep biomarkers of human aging: Application of deep neural networks to biomarker development. Aging (Albany NY) 2016;8:1021-33. [DOI:10.18632/aging.100968]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

pishva P. The use of artificial intelligence (AI) in pharmacology and the process of drug discovery. MEDICAL SCIENCES 2024; 34 (2) :105-111
URL: http://tmuj.iautmu.ac.ir/article-1-2172-fa.html

پیشوا سید پویان، موسوی سیده زهرا. بررسی استفاده از هوش مصنوعی در داروشناسی و روند کشف دارو. فصلنامه علوم پزشکی دانشگاه آزاد اسلامی تهران. 1403; 34 (2) :105-111

URL: http://tmuj.iautmu.ac.ir/article-1-2172-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 34، شماره 2 - ( تابستان 1403 ) برگشت به فهرست نسخه ها
فصلنامه علوم پزشکی دانشگاه آزاد اسلامی واحد پزشکی تهران Medical Science Journal of Islamic Azad Univesity - Tehran Medical Branch
Persian site map - English site map - Created in 0.05 seconds with 36 queries by YEKTAWEB 4660