drug development
PulseAugur coverage of drug development — every cluster mentioning drug development across labs, papers, and developer communities, ranked by signal.
-
AI框架通过可靠的分子性质预测增强药物发现能力
研究人员开发了一个新的共形预测框架，旨在提高AI在药物发现中的可靠性，尤其是在处理标签偏移时。该方法通过用边际标签概率比加权共形分数来生成统计上严格的预测区间，即使在分子性质分布发生变化时也能进行稳健的不确定性量化。该方法旨在增强对关键分子性质（如溶解度、效力和毒性）的AI驱动预测的信任度，从而支持药物开发流程中更明智的决策，并符合监管机构对透明度的要求。
-
Agentic AI在医疗保健计费和药物开发中找到新应用
Cedar已实施agentic AI以简化患者账单并改善患者的财务体验。此外，AI Agents正在被探索其在药物开发中的财务价值，这凸显了这项技术在不同行业中的应用范围不断扩大。
-
人工智能显著加速药物研发，成本和时间缩短高达70%
人工智能正在显著加速药物研发，一项近期调查显示，人工智能可以将临床前成本和时间缩短高达70%。这一进步正在推动对复杂软件和计算模型的需求，预计在三到五年内，新药研发项目将增长10%以上。尽管取得了这些进展，但人工智能尚未带来FDA批准的药物，一些专家对它显著影响患者预后的能力仍持怀疑态度，并担心其在考虑人类变异性方面的不足。
-
新的MKGR框架增强了冷启动蛋白质相互作用预测能力
研究人员开发了MKGR，一个新颖的多模态表示学习框架，旨在改进蛋白质-蛋白质相互作用（PPI）的预测，特别是在冷启动场景下，即候选蛋白质在训练期间缺乏已观察到的相互作用。MKGR整合了区域感知蛋白质序列编码与四个生物医学知识图谱——蛋白质-药物、蛋白质-疾病、蛋白质-miRNA和蛋白质-lncRNA关联。该框架采用图注意力编码器从稀疏的生物医学数据中学习蛋白质嵌入，并使用桥接重构目标来正则化图学习。实验表明，MKGR在各种性能指标上始…
-
AI 溯源：可验证的记录对于可信赖的 AI 行为至关重要
Mickai 提倡为 AI 系统提供可审计的溯源，强调需要对 AI 的行为和决策进行可验证的记录。这种方法旨在确保 AI 的输出，无论是在药物开发、法律还是国防领域，都能够被追溯和信任。提出的解决方案包括创建所有输入、模型和决策的密封、签名和锚定的记录，以防止模型崩溃和记忆中毒等问题。
-
AI助手为已上市药物寻找新的靶点
两款人工智能驱动的科学助手已成功为现有药物识别出新的治疗靶点。这些AI工具能够为先前无效或临床试验失败的药物提出新的应用。这一进展可能显著加速药物再利用和发现的过程。