Der Artikel von Gaulton et al. beschreibt die Verwendung einer großen bioaktiven Datenbank namens ChEMBL für die Arzneimittelforschung. Die Autoren diskutieren die Bedeutung dieser Datenbank für die Entdeckung neuer Medikamente. Turon et al. stellen eine vollständig automatisierte KI/ML-Virtual-Screening-Kaskade vor, die in einem Arzneimittelforschungszentrum in Afrika implementiert wurde. Diese Methode soll die Identifizierung potenzieller Wirkstoffe beschleunigen. Lin et al. geben einen Überblick über die Anwendungen von Berechnungsmethoden bei der Arzneimittelscreening und -entwicklung.
Tsou et al. vergleichen in ihrer Studie den Einsatz von Deep Learning und QSAR-Klassifikationen für die Entdeckung von Inhibitoren für TNBC und neuartige GPCR-Agonisten. Ihre Ergebnisse liefern Einblicke in die Wirksamkeit dieser Ansätze. Dara et al. stellen in ihrem Review die Anwendung von maschinellem Lernen in der Arzneimittelforschung vor und diskutieren die Potenziale und Herausforderungen dieser Technologie. Lewis beschreibt eine allgemeine Methode zur Nutzung von QSAR-Modellen bei der Optimierung von Wirkstoffen.
Die Artikel von Pan et al., Vamathevan et al., sowie Gilson und Zhou befassen sich mit der Anwendung von Deep Learning und maschinellem Lernen in der Medikamentenwirkstoffforschung. Sie diskutieren Methoden, Datenbanken und Anwendungen dieser Technologien. Weitere Beiträge behandeln die Berechnung von Protein-Ligand-Bindungsaffinitäten, die Vorhersage von Bindungsenergien, und die Verbesserung von Kraftfeldgenauigkeiten in der chemischen Forschung. Jorgensen beschreibt effiziente Methoden für die Entdeckung und Optimierung von Arzneimittelkandidaten.
In den letzten Jahren wurden mehrere Ansätze wie Meta-Learning, Transfer-Learning und Multi-Task-Learning in der Arzneimittelforschung eingesetzt. Studien von Kao et al., Silva et al., und Jiménez-Luna et al. diskutieren die Anwendung dieser Techniken für die Vorhersage von Bindungseigenschaften von Molekülen. Weitere Arbeiten beschäftigen sich mit der Vorhersage von Arzneimittel-Wirkstoff-Interaktionen, der Entwicklung von QSAR-Modellen, sowie der Verbesserung von Aktivitätsvorhersagen durch Deep Learning-Methoden.