MaltSci 麦伴科研

Appearance

热门主题报告 / 药物发现

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

人工智能在药物发现中的应用如何？ ​

摘要 ​

药物发现是生物医学领域中一项复杂且耗时的过程，传统流程面临高失败率和低效率的问题。近年来，人工智能（AI）的迅速发展为药物发现带来了新的机遇，AI通过机器学习和深度学习等算法，能够分析海量生物医学数据，识别潜在药物靶点，加速药物筛选和优化，显著提高研发效率并降低成本。AI在药物发现中的应用涵盖多个环节，包括靶点识别、化合物筛选、药物设计和临床试验等。AI技术不仅提高了药物开发的速度，还能提升药物的成功率，尤其是在早期药物筛选和临床试验设计方面表现出色。尽管目前关于AI在药物发现中应用的研究已取得一定进展，但数据质量、模型可解释性和伦理问题等挑战依然存在。未来的研究将致力于探讨这些挑战及其解决方案，以更好地理解AI在药物发现中的作用。综上所述，AI的应用不仅加速了药物发现的过程，还为精准医疗的发展提供了支持，展现了其在药物研发中的巨大潜力。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 AI在药物发现中的基本概念
    • 2.1 AI的定义与分类
    • 2.2 药物发现的传统流程
  • 3 AI在药物靶点识别中的应用
    • 3.1 靶点识别的挑战
    • 3.2 AI技术在靶点识别中的优势
  • 4 AI在化合物筛选与优化中的作用
    • 4.1 高通量筛选的局限性
    • 4.2 AI在化合物筛选中的应用案例
  • 5 AI辅助药物设计与开发
    • 5.1 结构基础药物设计
    • 5.2 AI在药物设计中的创新方法
  • 6 AI在临床试验中的应用
    • 6.1 临床试验设计的复杂性
    • 6.2 AI在临床试验数据分析中的应用
  • 7 总结

1 引言 ​

药物发现是生物医学领域中一项极为复杂且耗时的过程，通常需要数年的时间和巨额的资金投入[1]。传统的药物发现流程往往面临着高失败率和低效率的问题，这促使科学家们不断寻求创新的方法来加速这一过程。近年来，人工智能（AI）技术的迅速发展为药物发现带来了新的机遇。AI能够通过机器学习和深度学习等算法，分析海量的生物医学数据，从而识别潜在的药物靶点，加速药物筛选和优化，显著提高研发效率并降低成本[2]。

AI在药物发现中的应用涵盖了多个环节，包括靶点识别、化合物筛选、药物设计以及临床试验等[3]。通过对生物数据的深入分析，AI不仅能够提高药物开发的速度，还能提升药物的成功率，尤其是在早期药物筛选和临床试验设计方面表现出色[4]。例如，AI技术可以在短时间内筛选数百万个化合物，从中识别出潜在的药物候选，这在传统方法中可能需要数年才能完成[5]。此外，AI还能够通过预测药物的毒性和药代动力学特性，帮助研究人员优化药物的结构设计[6]。

目前，关于AI在药物发现中应用的研究已经取得了一定的进展，然而，仍然存在数据质量、模型可解释性和伦理问题等挑战[7]。这些问题的存在可能会限制AI技术的广泛应用，因此，深入探讨这些挑战及其解决方案将是未来研究的重要方向[8]。为了更好地理解AI在药物发现中的作用，本报告将系统综述AI在药物发现中的应用，探讨其带来的变革及未来发展方向。

本报告的结构将依次涵盖以下几个主要内容：首先，介绍AI在药物发现中的基本概念，包括AI的定义与分类以及传统药物发现流程的概述；接着，探讨AI在药物靶点识别中的应用，分析靶点识别所面临的挑战及AI的优势；随后，讨论AI在化合物筛选与优化中的作用，尤其是高通量筛选的局限性及AI的应用案例；之后，重点分析AI辅助药物设计与开发的创新方法；最后，探讨AI在临床试验中的应用，尤其是临床试验设计的复杂性和AI在数据分析中的作用。通过以上结构的系统性分析，本报告旨在为研究人员和临床医生提供一个全面的视角，帮助他们更好地理解AI在药物发现中的潜力及其未来发展趋势。

2 AI在药物发现中的基本概念 ​

2.1 AI的定义与分类 ​

人工智能（AI）在药物发现中的应用正在迅速发展，并且在各个阶段都展现出其潜在的变革能力。AI，特别是机器学习（ML）和深度学习（DL），在药物发现过程中被广泛应用于目标识别、分子设计、药物筛选、临床试验设计等多个方面。AI的引入使得药物研发的效率和准确性显著提高，同时降低了开发成本和时间。

AI在药物发现中的基本概念主要体现在以下几个方面：

  1. 数据处理与分析：AI能够处理和分析大量的生物和化学数据，这些数据通常来自高通量筛选、临床试验结果和文献资料。AI通过挖掘数据中的模式，帮助研究人员识别潜在的药物靶点和候选分子[9]。

  2. 分子设计与优化：AI技术被用于设计新分子，预测其生物活性和药代动力学特性。AI能够生成新分子结构，并评估其潜在的药理特性，从而加速新药的发现过程[10]。例如，AI模型可以在短时间内筛选出数百万种化合物，这在传统方法中可能需要数年时间才能完成[5]。

  3. 药物重定位：AI还被用于现有药物的重定位，即寻找已有药物在新适应症上的应用。通过分析药物与靶点之间的相互作用，AI能够发现新的治疗机会，从而提高药物的利用效率[2]。

  4. 临床试验设计与管理：AI在临床试验中发挥着重要作用，包括试验设计、患者招募和数据分析。AI能够预测临床试验的结果，并优化试验流程，从而提高成功率并减少时间和成本[8]。

  5. 预测模型的建立：AI技术还被应用于构建药物-靶点相互作用的预测模型，帮助研究人员更好地理解药物的作用机制。这些模型能够提供关于药物如何与其靶点相互作用的深入见解，从而支持药物开发的决策[11]。

总之，AI的应用不仅加速了药物发现的过程，还提高了药物研发的成功率，促进了精准医疗的发展。随着AI技术的不断进步，预计其在药物发现领域的应用将更加广泛和深入，为新药研发带来更多的机遇和挑战[12]。

2.2 药物发现的传统流程 ​

人工智能（AI）在药物发现中的应用正逐渐改变传统的药物开发流程，提供了更高效、经济和精准的解决方案。药物发现的传统流程通常包括多个阶段：疾病识别、靶点识别、药物筛选、临床试验等。AI的引入使得这些阶段的效率显著提升。

首先，在疾病识别阶段，AI能够分析大量的生物医学数据，识别潜在的疾病标志物和靶点。例如，通过机器学习（ML）算法，研究人员可以从电子健康记录和基因组数据中提取信息，从而识别出与特定疾病相关的生物标志物[2]。这种能力不仅加快了疾病的识别速度，也提高了识别的准确性。

在靶点识别和药物设计阶段，AI的作用同样显著。AI可以通过深度学习模型分析分子结构，预测药物与靶点之间的相互作用。例如，AI技术如AlphaFold能够准确预测蛋白质结构，从而帮助研究人员理解药物如何与其靶点结合[12]。此外，AI还可以进行分子生成，帮助设计新的药物分子，这一过程通常需要大量的实验和时间，但AI能够在几小时内筛选数百万个化合物，极大地缩短了这一时间[5]。

在药物筛选和临床试验设计方面，AI的应用也在不断扩展。AI可以优化临床试验的设计，预测试验结果，并识别最有可能成功的药物候选者。这不仅提高了临床试验的成功率，也减少了相关的时间和成本[8]。例如，AI能够通过虚拟筛选技术快速评估药物候选者的有效性和安全性，确保在进入临床试验阶段之前，候选药物已经经过严格的评估[4]。

然而，AI在药物发现中的应用并非没有挑战。数据质量、模型可解释性以及伦理问题仍然是需要克服的关键障碍[3]。例如，AI模型的决策过程常常缺乏透明度，这可能导致在临床应用中遇到问题。因此，建立更为严格的数据共享机制和算法透明度的规范是推动AI在药物发现领域成功应用的关键[12]。

总的来说，AI的引入正在推动药物发现的变革，通过加速药物开发流程、提高预测准确性和降低成本，未来AI有望在药物发现中发挥更为重要的作用。

3 AI在药物靶点识别中的应用 ​

3.1 靶点识别的挑战 ​

人工智能（AI）在药物发现过程中，特别是在药物靶点识别方面，展现出了巨大的潜力和应用价值。靶点识别是药物研发的关键初步步骤，影响着药物开发的每一个环节。传统的靶点识别过程通常耗时长达数年，且需要大量的实验验证，这不仅增加了成本，也降低了成功率。AI的引入，通过分析大量数据和复杂的生物网络，能够有效提高靶点识别的效率和准确性。

在靶点识别中，AI技术能够从大数据中提取分子结构特征，深入分析药物与靶点之间的相互作用，并系统建模药物、靶点与疾病之间的关系。这些方法能够提高预测的准确性，缩短发现时间，减少试错过程中的成本，并增强成功的概率[10]。具体来说，AI通过深度学习、机器学习等算法，可以快速识别和验证新的药物靶点，并优化已有靶点的应用[13]。

然而，靶点识别的过程中仍然面临诸多挑战。首先，数据质量和可获取性是主要问题，许多靶点识别模型依赖于高质量的生物数据，而这些数据往往难以获得或存在偏差。其次，AI模型的可解释性不足，导致在实际应用中难以理解模型的决策过程，这在一定程度上影响了研究者对AI模型的信任[12]。此外，AI在靶点识别中的应用需要跨学科的合作，以确保计算方法与生物学知识的有效结合，从而提高靶点识别的准确性和效率[4]。

总结来说，AI在药物靶点识别中的应用极大地提升了效率和成功率，但要克服数据质量、模型可解释性及跨学科合作等挑战，才能更好地推动药物发现的进程。

3.2 AI技术在靶点识别中的优势 ​

人工智能（AI）在药物发现中的应用日益广泛，尤其在药物靶点识别方面展现了显著的优势。传统的靶点识别过程通常耗时较长，可能需要数年甚至数十年才能完成，而AI技术则通过其强大的数据分析能力，显著加快了这一过程。

AI技术在靶点识别中的优势主要体现在以下几个方面：

  1. 高效的数据处理能力：AI能够分析大量的生物数据和复杂的生物网络，这使得它在靶点识别中具备了强大的优势。通过机器学习和深度学习算法，AI可以快速处理和分析海量的分子数据，从中提取出潜在的靶点信息[14]。

  2. 精准的预测能力：AI技术可以在药物靶点的识别过程中，通过模型的训练来提高预测的准确性。例如，AI可以利用历史数据和现有的生物信息，预测新的药物靶点并评估其生物学有效性[15]。这种预测能力不仅提升了靶点识别的效率，还增强了后续药物开发的成功率。

  3. 减少试错成本：传统的靶点识别往往需要大量的实验验证，而AI可以通过计算模型来模拟和预测靶点与药物之间的相互作用，降低了实验的需求，从而减少了研发成本和时间[10]。

  4. 多样化的靶点发现：AI不仅能够识别单一靶点，还能够进行多靶点的药物设计，这在复杂疾病的治疗中尤为重要。通过多靶点药物的设计，AI能够更有效地针对疾病的多重生物标志物，从而提高治疗效果[16]。

  5. 持续的学习和优化：AI模型可以不断从新数据中学习，优化自身的预测能力。这种自我学习的特性使得AI在靶点识别中能够不断适应新的研究进展和生物学发现，保持其前沿性和实用性[12]。

综上所述，AI在药物靶点识别中的应用通过提高效率、降低成本和增强预测能力，正在重新定义药物发现的过程。随着技术的不断进步，AI有望在未来的药物研发中发挥更加重要的作用。

4 AI在化合物筛选与优化中的作用 ​

4.1 高通量筛选的局限性 ​

人工智能（AI）在药物发现过程中发挥了重要作用，尤其是在化合物筛选与优化方面。高通量筛选（HTS）作为一种传统的方法，虽然在药物开发中被广泛应用，但其局限性也日益显现。

高通量筛选技术能够在短时间内评估大量化合物的生物活性，然而，这一过程往往伴随着高昂的成本和时间消耗。尽管HTS能够快速识别潜在的药物候选者，但其效率受到多种因素的限制，包括筛选过程中的假阳性率、化合物的复杂性以及对目标的特异性。AI的引入则为克服这些限制提供了新的思路和方法。

AI通过机器学习和深度学习技术，可以在化合物筛选过程中实现更高的效率和准确性。例如，AI能够快速分析和处理海量数据，识别潜在的药物靶点，设计新分子，并预测候选药物的有效性和安全性。AI的算法可以在数小时内筛选数百万种化合物，这一过程通常需要数年才能通过传统方法完成[5]。这种能力显著提高了药物发现的速度，并减少了对大量实验的依赖。

此外，AI还可以在药物设计阶段提供支持，通过模拟和预测化合物的物理化学性质、药代动力学和毒性，帮助研究人员更好地优化候选药物[12]。在高通量筛选中，AI的应用不仅限于化合物的初步筛选，还包括对筛选结果的深度分析，能够更准确地识别出最有前景的候选者。

然而，尽管AI在药物发现中的应用展现出巨大的潜力，仍然存在一些挑战。例如，AI模型的有效性依赖于高质量和多样化的数据，而当前许多药物发现数据仍然不足，且数据质量参差不齐。此外，AI模型的可解释性和透明度问题也是在药物开发过程中必须解决的关键挑战[17]。

总之，AI在化合物筛选与优化中的应用为药物发现带来了革命性的变化，能够有效提高筛选效率，降低开发成本，尽管仍需解决数据和模型的局限性，以充分发挥其潜力。

4.2 AI在化合物筛选中的应用案例 ​

人工智能（AI）在药物发现领域的应用日益广泛，尤其在化合物筛选与优化方面，展现出显著的潜力和成效。AI技术，特别是机器学习和深度学习，能够加速药物发现过程，优化化合物设计，并提高药物的安全性和有效性。

在化合物筛选中，AI可以处理和分析海量的生物数据，从而识别潜在的药物靶点和候选化合物。AI算法能够在数小时内筛选数百万种化合物，这一过程通常需要数年时间才能通过传统方法完成[5]。具体而言，AI被应用于虚拟筛选（virtual screening）和药物重定位（drug repurposing），通过分析化合物与靶标的相互作用，预测其生物活性和药物代谢动力学（ADMET）特性，从而筛选出具有潜力的候选药物[4][18]。

在化合物优化方面，AI的深度学习模型能够分析化合物的三维结构，识别关键的蛋白质-配体相互作用，并根据这些信息优化化合物设计。这些方法不仅提高了化合物的设计效率，还能够预测化合物的毒性，减少后期开发中的失败率[16][19]。例如，AI可以帮助研究人员优先考虑和优化领先化合物，减少对昂贵的动物实验的需求，从而降低研发成本[18]。

在具体应用案例方面，AI已经成功用于多种药物的发现与开发。例如，Insilico Medicine利用AI设计的分子用于特发性肺纤维化的治疗，而BenevolentAI则通过AI识别出用于COVID-19治疗的巴瑞替尼[12]。这些成功案例展示了AI在药物发现中的实际应用效果，强调了其在加速药物研发和提高成功率方面的重要性。

总之，AI在化合物筛选与优化中不仅提高了效率和准确性，还推动了药物发现的创新进程，帮助研究人员更快地找到有效的治疗方案。随着AI技术的不断发展，其在药物发现领域的应用前景将更加广阔。

5 AI辅助药物设计与开发 ​

5.1 结构基础药物设计 ​

人工智能（AI）在药物发现领域的应用日益广泛，尤其是在结构基础药物设计（SBDD）方面。SBDD是现代药物发现的一个重要组成部分，它利用生物分子的三维结构信息来设计和优化药物分子。随着基因组学、蛋白质组学和结构生物学研究的进展，研究人员能够识别出大量新的药物靶点，这为药物发现提供了丰富的机会。然而，这也带来了一个主要问题，即如何处理由组合化学生成的大量“大数据”[20]。

AI和深度学习在分析和系统化这些数据集方面发挥了关键作用。通过统计机器学习方法，AI能够有效提取分子结构特征，深入分析药物-靶点相互作用，并系统性地建模药物、靶点和疾病之间的关系。这些方法不仅提高了预测的准确性，还加快了药物发现的时间表，降低了试错方法带来的成本，同时提高了成功的概率[10]。

在药物设计的具体方法中，AI辅助的虚拟筛选和从头药物设计是当前被广泛采用的技术。虚拟筛选利用AI算法从大量化合物中识别出潜在的药物候选分子，而从头药物设计则通过计算机生成新的化合物结构，这些结构在理论上可能具有良好的生物活性[1]。此外，AI在预测药物的ADMET（吸收、分布、代谢、排泄和毒性）特性方面也显示出显著的优势，这对于筛选出具有良好安全性和有效性的药物至关重要[21]。

随着AI技术的不断进步，药物发现过程中的各个阶段都得到了显著改善。例如，AI能够加速药物靶点的识别和验证，优化临床试验的设计，并在药物重新定位和药物组合的识别方面提供帮助[3]。AI的这些应用不仅提高了药物研发的效率，还为个性化医疗的实现提供了支持，展现了AI在药物发现和开发中的巨大潜力[22]。

综上所述，AI在结构基础药物设计中的应用不仅加快了药物发现的速度，还提高了成功率，为新药的开发提供了更为科学和系统的方法。随着技术的不断演进，AI在药物发现领域的影响力将进一步扩大，推动药物研发向更高效、更精准的方向发展。

5.2 AI在药物设计中的创新方法 ​

人工智能（AI）在药物发现和开发过程中发挥着越来越重要的作用，特别是在药物设计方面，其创新方法和技术不断推动这一领域的进步。AI通过多种方式增强药物设计的效率和成功率，具体体现在以下几个方面。

首先，AI在药物靶点识别和验证方面具有显著优势。通过分析多组学数据和网络基础的方法，AI能够帮助研究人员识别新的致癌易感性和关键治疗靶点，从而加速药物发现的进程（Ocana et al., 2025）[23]。AI模型如AlphaFold能够高精度预测蛋白质结构，这对药物的可药用性评估和基于结构的药物设计至关重要（Ocana et al., 2025）[23]。

其次，AI的深度学习和机器学习技术在药物设计的各个阶段都有应用，包括药物组合的识别和现有药物的重新定位。通过对药物-靶点相互作用的深入分析，AI能够有效提取分子结构特征，并系统建模药物、靶点与疾病之间的关系，从而提高预测准确性，缩短发现时间（Wang et al., 2025）[10]。AI还能够优化药物候选分子的筛选过程，提升临床试验的效率（Fu & Chen, 2025）[8]。

此外，AI在新药设计中的生成性AI（Generative AI）技术也显现出巨大的潜力。生成性AI通过模拟和生成新分子，能够在广阔的化学空间中快速识别和优化具有特定生物特性的药物分子。这一技术不仅提高了药物设计的效率，还降低了开发成本（Doron et al., 2025）[24]。AI的应用使得药物设计过程更加精确，能够更好地预测药物的物理化学性质及其生物活性（Agu & Obulose, 2024）[25]。

AI还通过虚拟筛选和药物重新设计来优化临床试验设计，提升患者招募效率，并通过预测建模和协议优化来改进试验设计（Ocana et al., 2025）[23]。尽管AI在药物开发中展现出诸多优势，但仍面临一些挑战，例如模型的可解释性、算法的偏差以及数据隐私等问题（Jarallah et al., 2025）[12]。

总之，AI在药物设计中的创新方法正在不断发展，通过提高效率、降低成本和增强成功率，正在重新定义药物发现和开发的传统模式。随着技术的不断进步，AI在药物研发中的应用前景将更加广阔，期待未来能够为患者提供更为安全有效的治疗方案。

6 AI在临床试验中的应用 ​

6.1 临床试验设计的复杂性 ​

人工智能（AI）在药物发现中的应用正迅速发展，特别是在临床试验设计方面，其复杂性和挑战性也促使了AI技术的广泛应用。AI的引入旨在解决传统药物开发过程中的多种问题，如高成本、耗时长以及高失败率等。通过利用机器学习（ML）、深度学习（DL）和自然语言处理（NLP），AI可以在药物开发的多个阶段提供显著的效率提升。

首先，AI在临床试验设计中的应用主要体现在以下几个方面：

  1. 患者招募与分层：AI可以优化患者招募过程，通过分析电子健康记录和其他数据源，识别符合试验条件的患者群体，从而提高招募效率并减少时间和成本[17]。AI的能力使得研究人员能够在大量数据中快速找到潜在的参与者，并确保试验的多样性和代表性。

  2. 数据管理与分析：AI技术能够自动化数据收集和管理，减少人工输入错误，提高数据质量。通过智能数据解析，AI能够实时监控试验进展，及时识别潜在问题并进行调整，从而提高试验的成功率[26]。

  3. 试验设计的智能化：AI可以帮助设计更加高效的临床试验方案。通过模拟不同的试验设计，AI能够预测各种设计方案的结果，从而选择最优的设计，降低资源浪费[12]。这包括对药物的剂量、给药方式和患者群体等因素进行优化。

  4. 个性化医疗：AI还可以推动个性化医疗的发展，通过分析患者的遗传信息和临床数据，制定个性化的治疗方案。这种方法不仅提高了药物的有效性，也减少了副作用的发生[3]。

尽管AI在临床试验设计中展现出巨大的潜力，但也面临一些挑战，包括数据整合的复杂性、模型的可解释性以及伦理问题等。这些问题的存在使得AI的应用在实际操作中仍需谨慎对待，需要通过跨学科的合作和标准化的数据共享机制来逐步克服[27]。

综上所述，AI的应用不仅加速了药物发现过程，还通过提高临床试验的效率和精确性，推动了医疗的进步。随着技术的不断进步和这些挑战的解决，AI在药物开发领域的潜力将更加显著，为未来的医疗创新提供更强有力的支持。

6.2 AI在临床试验数据分析中的应用 ​

人工智能（AI）在药物发现及临床试验中的应用日益广泛，尤其是在数据分析和临床试验管理方面。AI通过提高数据处理效率和预测能力，改变了传统的药物开发流程。

在药物发现阶段，AI技术能够加速疾病识别、药物靶点发现、候选药物筛选和临床试验管理等多个环节。具体而言，AI可以分析大量的生物数据，识别潜在的治疗靶点，并预测药物的有效性和安全性。例如，机器学习（ML）和深度学习（DL）技术被广泛应用于高通量筛选和虚拟筛选，帮助研究人员快速筛选出具有潜力的药物分子，这一过程通常需要数月甚至数年的时间才能完成[28]。

在临床试验的设计和执行方面，AI的应用同样显著。AI可以优化患者招募和分层，减少临床试验的时间和成本。例如，AI能够智能地解析患者数据，实时监控患者的健康状况，并自动生成分析报告，从而提高临床试验的效率[26]。此外，AI还能够通过预测临床试验结果，帮助研究人员更好地设计试验，从而提升药物研发的成功率[8]。

在数据分析方面，AI能够处理和分析来自临床试验的大量数据，帮助识别趋势和模式，进而改善临床试验的设计和结果。AI技术的应用不仅提高了数据分析的速度和准确性，还能在药物安全性监测和不良事件预测中发挥重要作用[12]。然而，尽管AI在药物发现和临床试验中展现出巨大的潜力，仍然面临数据质量、模型可解释性和伦理问题等挑战[27]。

总之，AI在药物发现和临床试验中的应用，通过提高数据处理效率和预测能力，正逐步改变传统的药物开发流程，推动药物研发向更高效、更精准的方向发展。

7 总结 ​

AI在药物发现中的应用正逐步改变传统的研发流程，提升了靶点识别、化合物筛选与优化、药物设计及临床试验的效率。研究表明，AI能够通过分析大量生物医学数据，快速识别潜在的药物靶点，优化候选化合物的筛选过程，并在临床试验中提升成功率。然而，数据质量、模型可解释性和伦理问题等挑战依然存在，这些问题可能会限制AI技术的广泛应用。未来的研究方向应聚焦于提高数据质量和共享机制、增强模型的透明度，以及跨学科的合作，以推动AI在药物发现领域的进一步应用。随着技术的不断进步，AI有望为药物研发带来更多的创新和突破，为患者提供更为安全有效的治疗方案。

参考文献 ​

  • [1] Anita Ioana Visan;Irina Negut. Integrating Artificial Intelligence for Drug Discovery in the Context of Revolutionizing Drug Delivery.. Life (Basel, Switzerland)(IF=3.4). 2024. PMID:38398742. DOI: 10.3390/life14020233.
  • [2] Ashfaq Ur Rehman;Mingyu Li;Binjian Wu;Yasir Ali;Salman Rasheed;Sana Shaheen;Xinyi Liu;Ray Luo;Jian Zhang. Role of artificial intelligence in revolutionizing drug discovery.. Fundamental research(IF=6.3). 2025. PMID:40528990. DOI: 10.1016/j.fmre.2024.04.021.
  • [3] Grace Edet Bassey;Ernest Aniefiok Daniel;Kazeem Bidemi Okesina;Adeyemi Fatai Odetayo. Transformative Role of Artificial Intelligence in Drug Discovery and Translational Medicine: Innovations, Challenges, and Future Prospects.. Drug design, development and therapy(IF=5.1). 2025. PMID:40909917. DOI: 10.2147/DDDT.S538269.
  • [4] Ri Han;Hongryul Yoon;Gahee Kim;Hyundo Lee;Yoonji Lee. Revolutionizing Medicinal Chemistry: The Application of Artificial Intelligence (AI) in Early Drug Discovery.. Pharmaceuticals (Basel, Switzerland)(IF=4.8). 2023. PMID:37765069. DOI: 10.3390/ph16091259.
  • [5] Periyasamy Natarajan Shiammala;Navaneetha Krishna Bose Duraimutharasan;Baskaralingam Vaseeharan;Abdulaziz S Alothaim;Esam S Al-Malki;Babu Snekaa;Sher Zaman Safi;Sanjeev Kumar Singh;Devadasan Velmurugan;Chandrabose Selvaraj. Exploring the artificial intelligence and machine learning models in the context of drug design difficulties and future potential for the pharmaceutical sectors.. Methods (San Diego, Calif.)(IF=4.3). 2023. PMID:37778659. DOI: 10.1016/j.ymeth.2023.09.010.
  • [6] Gerhard Hessler;Karl-Heinz Baringhaus. Artificial Intelligence in Drug Design.. Molecules (Basel, Switzerland)(IF=4.6). 2018. PMID:30279331. DOI: 10.3390/molecules23102520.
  • [7] Mahroza Kanwal Khan;Mohsin Raza;Muhammad Shahbaz;Iftikhar Hussain;Muhammad Farooq Khan;Zhongjian Xie;Syed Shoaib Ahmad Shah;Ayesha Khan Tareen;Zoobia Bashir;Karim Khan. The recent advances in the approach of artificial intelligence (AI) towards drug discovery.. Frontiers in chemistry(IF=4.2). 2024. PMID:38882215. DOI: 10.3389/fchem.2024.1408740.
  • [8] Chen Fu;Qiuchen Chen. The future of pharmaceuticals: Artificial intelligence in drug discovery and development.. Journal of pharmaceutical analysis(IF=8.9). 2025. PMID:40893437. DOI: 10.1016/j.jpha.2025.101248.
  • [9] Wei Chen;Xuesong Liu;Sanyin Zhang;Shilin Chen. Artificial intelligence for drug discovery: Resources, methods, and applications.. Molecular therapy. Nucleic acids(IF=6.1). 2023. PMID:36923950. DOI: 10.1016/j.omtn.2023.02.019.
  • [10] Qiqi Wang;Boyan Sun;Yunpeng Yi;Tony Velkov;Jianzhong Shen;Chongshan Dai;Haiyang Jiang. Progress of AI-Driven Drug-Target Interaction Prediction and Lead Optimization.. International journal of molecular sciences(IF=4.9). 2025. PMID:41155330. DOI: 10.3390/ijms262010037.
  • [11] Julien Delile;Srayanta Mukherjee;Judith Mueller;Iya Khalil;Leonid Zhukov;Christoph Meier. Foundation models in drug discovery: Phenomenal growth today, transformative potential tomorrow?. Drug discovery today(IF=7.5). 2025. PMID:41167387. DOI: 10.1016/j.drudis.2025.104518.
  • [12] Somayah J Jarallah;Fahad A Almughem;Nada K Alhumaid;Nojoud Al Fayez;Ibrahim Alradwan;Khulud A Alsulami;Essam A Tawfik;Abdullah A Alshehri. Artificial intelligence revolution in drug discovery: A paradigm shift in pharmaceutical innovation.. International journal of pharmaceutics(IF=5.2). 2025. PMID:40451590. DOI: 10.1016/j.ijpharm.2025.125789.
  • [13] Shruti Bharadwaj;Kumari Deepika;Asim Kumar;Shivani Jaiswal;Shaweta Miglani;Damini Singh;Prachi Fartyal;Roshan Kumar;Shareen Singh;Mahendra Pratap Singh;Abhay M Gaidhane;Bhupinder Kumar;Vibhu Jha. Exploring the Artificial Intelligence and Its Impact in Pharmaceutical Sciences: Insights Toward the Horizons Where Technology Meets Tradition.. Chemical biology & drug design(IF=3.3). 2024. PMID:39396920. DOI: 10.1111/cbdd.14639.
  • [14] Frank W Pun;Ivan V Ozerov;Alex Zhavoronkov. AI-powered therapeutic target discovery.. Trends in pharmacological sciences(IF=19.9). 2023. PMID:37479540. DOI: 10.1016/j.tips.2023.06.010.
  • [15] Hongyu Chen;Dong Lu;Ziyi Xiao;Shensuo Li;Wen Zhang;Xin Luan;Weidong Zhang;Guangyong Zheng. Comprehensive applications of the artificial intelligence technology in new drug research and development.. Health information science and systems(IF=3.4). 2024. PMID:39130617. DOI: 10.1007/s13755-024-00300-y.
  • [16] Anna Cichońska;Balaguru Ravikumar;Rayees Rahman. AI for targeted polypharmacology: The next frontier in drug discovery.. Current opinion in structural biology(IF=7.0). 2024. PMID:38215530. DOI: 10.1016/j.sbi.2023.102771.
  • [17] Fatimah G Albani;Sahar S Alghamdi;Mohammed M Almutairi;Tariq Alqahtani. Artificial Intelligence-Driven Innovations in Oncology Drug Discovery: Transforming Traditional Pipelines and Enhancing Drug Design.. Drug design, development and therapy(IF=5.1). 2025. PMID:40626099. DOI: 10.2147/DDDT.S509769.
  • [18] Lalitkumar K Vora;Amol D Gholap;Keshava Jetha;Raghu Raj Singh Thakur;Hetvi K Solanki;Vivek P Chavda. Artificial Intelligence in Pharmaceutical Technology and Drug Delivery Design.. Pharmaceutics(IF=5.5). 2023. PMID:37514102. DOI: 10.3390/pharmaceutics15071916.
  • [19] Thomas E Hadfield;Charlotte M Deane. AI in 3D compound design.. Current opinion in structural biology(IF=7.0). 2022. PMID:35101671. DOI: 10.1016/j.sbi.2021.102326.
  • [20] Maria Batool;Bilal Ahmad;Sangdun Choi. A Structure-Based Drug Discovery Paradigm.. International journal of molecular sciences(IF=4.9). 2019. PMID:31174387. DOI: 10.3390/ijms20112783.
  • [21] Qi Lv;Feilong Zhou;Xinhua Liu;Liping Zhi. Artificial intelligence in small molecule drug discovery from 2018 to 2023: Does it really work?. Bioorganic chemistry(IF=4.7). 2023. PMID:37776682. DOI: 10.1016/j.bioorg.2023.106894.
  • [22] Ting Zhu;Bing Liu;Ning Chen;Yuchen Liu;Zixuan Wang;Xue Tian. Artificial Intelligence-Driven Innovations in Pharmaceutical Development and Drug Delivery Systems.. Current topics in medicinal chemistry(IF=3.3). 2025. PMID:40277097. DOI: 10.2174/0115680266373236250411060857.
  • [23] Alberto Ocana;Atanasio Pandiella;Cristian Privat;Iván Bravo;Miguel Luengo-Oroz;Eitan Amir;Balazs Gyorffy. Integrating artificial intelligence in drug discovery and early drug development: a transformative approach.. Biomarker research(IF=11.5). 2025. PMID:40087789. DOI: 10.1186/s40364-025-00758-2.
  • [24] Guy Doron;Sam Genway;Mark Roberts;Sai Jasti. Generative AI: driving productivity and scientific breakthroughs in pharmaceutical R&D.. Drug discovery today(IF=7.5). 2025. PMID:39675517. DOI: 10.1016/j.drudis.2024.104272.
  • [25] Peter Chinedu Agu;Chidiebere Nwiboko Obulose. Piquing artificial intelligence towards drug discovery: Tools, techniques, and applications.. Drug development research(IF=4.2). 2024. PMID:38375772. DOI: 10.1002/ddr.22159.
  • [26] Hitesh Chopra; Annu;Dong K Shin;Kavita Munjal; Priyanka;Kuldeep Dhama;Talha B Emran. Revolutionizing clinical trials: the role of AI in accelerating medical breakthroughs.. International journal of surgery (London, England)(IF=10.1). 2023. PMID:38259001. DOI: 10.1097/JS9.0000000000000705.
  • [27] Camila de Brito Pontes;Antonio Valerio Netto. The use of Artificial Intelligence Algorithms in drug development and clinical trials: A scoping review.. International journal of medical informatics(IF=4.1). 2025. PMID:39827570. DOI: 10.1016/j.ijmedinf.2025.105798.
  • [28] Yuyuan Wu;Lijing Ma;Xinyi Li;Jingpeng Yang;Xinyu Rao;Yiru Hu;Jingyi Xi;Lin Tao;Jianjun Wang;Lailing Du;Gongxing Chen;Shuiping Liu. The role of artificial intelligence in drug screening, drug design, and clinical trials.. Frontiers in pharmacology(IF=4.8). 2024. PMID:39679365. DOI: 10.3389/fphar.2024.1459954.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

人工智能 · 药物发现 · 靶点识别 · 化合物筛选 · 临床试验

© 2025 MaltSci 麦伴科研