Academic Journal
A comparison study of artificial intelligence-driven no-code applications for drug discovery and development
| Τίτλος: | A comparison study of artificial intelligence-driven no-code applications for drug discovery and development |
|---|---|
| Πηγή: | ScienceRise: Pharmaceutical Science; No. 6(52) (2024); 80-89 ScienceRise: Pharmaceutical Science; № 6(52) (2024); 80-89 |
| Στοιχεία εκδότη: | TECHNOLOGY CENTER PC®, 2024. |
| Έτος έκδοσης: | 2024 |
| Θεματικοί όροι: | AI-driven applications, machine learning, керовані ШІ, фармацевтичні дослідження, додатки, безкодові платформи, машинне навчання, відкриття ліків, drug discovery, no-code platforms, pharmaceutical research |
| Περιγραφή: | Мета. Мета цього дослідження полягала в тому, щоб оцінити функціональність і ефективність вибраних безкодових додатків на основі штучного інтелекту для виявлення ліків. Це дослідження було зосереджено на оцінці простоти використання, дизайну інтерфейсу, взаємодії з користувачем, швидкості, використання ресурсів, точності та масштабованості, щоб визначити їх придатність для різних завдань розробки ліків. Матеріали та методи. У дослідженні використовувалася методологія оцінки, заснована на тестуванні шести безкодових додатків на основі ШІ: Pharma.AI від Insilico Medicine, Atomwise, LiveDesign від Schrödinger, Exscientia, BenevolentAI і Cyclica. Кількісні дані були зібрані з показників ефективності, а якісні дані були отримані шляхом опитування експертів. Аналіз даних проводився з використанням описової статистики, дисперсійного аналізу повторних вимірювань і тестів чесної значущої різниці (HSD) Тьюкі. Результати. Аналіз показав, що Pharma.AI і Atomwise від Insilico Medicine незмінно перевершують інші додатки з точки зору зручності використання та точності прогнозування, що робить їх дуже придатними для різноманітних завдань з пошуку ліків. LiveDesign Шредінгера продемонстрував високу точність, але потребував значних обчислювальних ресурсів. BenevolentAI і Exscientia виявили обмеження в зручності використання та точності, зокрема в прогнозуванні токсичності, що свідчить про необхідність подальшого розвитку. Cyclica була відзначена своєю простотою використання, але була менш ефективною щодо масштабованості та використання ресурсів. Висновки. Отримані дані надають цінну інформацію для дослідників і фармацевтичних компаній, керуючи інтеграцією та застосуванням рішень на основі штучного інтелекту для прискорення процесу відкриття ліків і підвищення рівня успішності розробки нових терапевтичних препаратів. Майбутні дослідження повинні бути зосереджені на розширенні оцінки, щоб включити більше різноманітних сценаріїв і реальних програм для подальшої перевірки та вдосконалення цих інструментів The aim. The aim of this study was to evaluate the functionality and effectiveness of selected AI-driven no-code applications in drug discovery. This research assessed ease of use, interface design, user experience, speed, resource utilisation, accuracy, and scalability to determine their suitability for various drug development tasks. Materials and methods. The study used an evaluation methodology to test six AI-driven no-code applications: Insilico Medicine's Pharma.AI, Atomwise, Schrödinger's LiveDesign, Exscientia, BenevolentAI, and Cyclica. Quantitative data were collected from performance metrics, and qualitative data were obtained through expert interviews. Data analysis was conducted using descriptive statistics, repeated measures ANOVA, and post hoc Tukey's Honestly Significant Difference (HSD) tests. Results.The analysis revealed that Insilico Medicine's Pharma.AI and Atomwise consistently outperformed other applications regarding usability and predictive accuracy. Schrödinger's LiveDesign demonstrated high accuracy but required significant computational resources. BenevolentAI and Exscientia showed limitations in usability and accuracy, particularly in toxicity prediction. Cyclica was noted for its ease of use but was less effective in scalability and resource utilisation. Conclusions. The findings provide valuable insights for researchers and pharmaceutical companies, guiding the integration and application of AI-driven solutions to accelerate the drug discovery process and improve the success rate of developing new therapeutic drugs. Future research should focus on broadening the evaluation to include more diverse scenarios and real-world applications to further validate and enhance these tools |
| Τύπος εγγράφου: | Article |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| ISSN: | 2519-4844 2519-4852 |
| Σύνδεσμος πρόσβασης: | https://journals.uran.ua/sr_pharm/article/view/318920 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.scientific.p..5ba6f56c9f154b9b37a187d2e6bd66f8 |
| Βάση Δεδομένων: | OpenAIRE |
| ISSN: | 25194844 25194852 |
|---|