Quel est le rôle de l'IA générative dans la découverte de médicaments ?

Quel est le rôle de l'IA générative dans la découverte de médicaments ?

En résumé : l’IA générative accélère principalement la découverte précoce de médicaments en générant des molécules candidates ou des séquences protéiques, en proposant des voies de synthèse et en formulant des hypothèses testables, ce qui permet aux équipes de réduire le nombre d’expériences « à l’aveugle ». Elle est plus performante lorsque des contraintes strictes sont imposées et que les résultats sont validés ; utilisée comme un oracle, elle peut induire en erreur avec une grande confiance.

Points clés à retenir :

Accélération : Utiliser l'IA générale pour élargir la génération d'idées, puis les affiner par un filtrage rigoureux.

Contraintes : Exiger des plages de propriétés, des règles d'échafaudage et des limites de nouveauté avant la génération.

Validation : Traiter les résultats comme des hypothèses ; les confirmer par des essais et des modèles orthogonaux.

Traçabilité : Consigner les invites, les résultats et la justification afin que les décisions restent vérifiables et révisables.

Résistance aux abus : Prévenir les fuites et la surconfiance grâce à la gouvernance, aux contrôles d'accès et à la vérification humaine.

Quel est le rôle de l'IA générative dans la découverte de médicaments ? Infographie

Articles que vous pourriez aimer lire après celui-ci :

🔗 Le rôle de l'IA dans le secteur de la santé
Comment l'IA améliore le diagnostic, les flux de travail, les soins aux patients et les résultats.

🔗 L'IA remplacera-t-elle les radiologues ?
Ce livre explore comment l'automatisation améliore la radiologie et ce qui reste humain.

🔗 L'IA remplacera-t-elle les médecins ?
Un regard honnête sur l'impact de l'IA sur le travail et la pratique des médecins.

🔗 Meilleurs outils de laboratoire d'IA pour la découverte scientifique
Les meilleurs outils de laboratoire d'IA pour accélérer les expériences, l'analyse et la découverte.

Le rôle de l'IA générative dans la découverte de médicaments, en un mot 😮💨

L'IA générative aide les équipes de recherche pharmaceutique à créer des molécules candidates, à prédire leurs propriétés, à suggérer des modifications, à proposer des voies de synthèse, à explorer des hypothèses biologiques et à raccourcir les cycles d'itération, notamment lors des phases précoces de découverte et d'optimisation des composés principaux. (Nature 2023, revue sur la découverte de ligands ; Elsevier 2024, revue sur les modèles génératifs dans la conception de novo de médicaments)

Et oui, il peut aussi générer des absurdités en toute confiance. C'est son principe. Un peu comme un stagiaire survolté avec un moteur de fusée. Guide du clinicien (risque d'hallucinations) npj Digital Medicine 2025 (hallucinations et cadre de sécurité)

Pourquoi c'est plus important qu'on ne le pense 💥

Une grande partie de la recherche fondamentale consiste à explorer l'espace chimique, la biologie, la littérature scientifique, les relations structure-fonction. Le problème, c'est que l'espace chimique est… quasiment infini. (Voir Accounts of Chemical Research 2015 (espace chimique) et Irwin & Shoichet 2009 (échelle de l'espace chimique)).

On pourrait passer plusieurs vies à essayer des variantes « raisonnables ».

L'IA générative transforme le flux de travail comme suit :

  • «Testons ce à quoi nous pouvons penser»

à:

  • « Générons un ensemble d'options plus vaste et plus pertinent, puis testons les meilleures. »

Il ne s'agit pas d'éliminer les expériences, mais de choisir de meilleures expériences . 🧠 Nature 2023 (revue sur la découverte de ligands)

De plus, et c'est un point souvent négligé, cela facilite la communication interdisciplinaire au sein . Chimistes, biologistes, spécialistes en DMPK, informaticiens… chacun possède des modèles mentaux différents. Un bon système génératif peut servir de bloc-notes partagé. (Compte rendu de Frontiers in Drug Discovery 2024)

Qu'est-ce qui caractérise une bonne version d'IA générative pour la découverte de médicaments ? ✅

Toutes les IA génératives ne se valent pas. Une « bonne » version pour ce domaine mise moins sur des démonstrations spectaculaires que sur une fiabilité à toute épreuve (la simplicité est ici une qualité). Nature 2023 (revue sur la découverte de ligands)

Une bonne configuration d'IA générative comprend généralement :

Si votre IA générative ne supporte pas les contraintes, elle se résume à un générateur de gadgets. Amusant en soirée. Moins adapté à un programme de désintoxication.

Où l'IA générative s'intègre-t-elle dans le processus de découverte de médicaments ? 🧭

Voici une représentation mentale simplifiée. L'IA générative peut contribuer à presque toutes les étapes, mais elle est particulièrement performante lorsque l'itération est coûteuse et que l'espace des hypothèses est vaste. Nature 2023 (revue sur la découverte de ligands)

Points de contact communs :

Dans de nombreux programmes, les gains les plus importants proviennent de l'intégration des flux de travail , et non d'un modèle unique « génial ». Le modèle est le moteur, le pipeline est la voiture. Nature 2023 (revue sur la découverte de ligands)

Tableau comparatif : approches d’IA générative populaires utilisées dans la découverte de médicaments 📊

Un tableau légèrement imparfait, car la vie réelle est légèrement imparfaite.

Outil / Approche Idéal pour (public) Prix ​​approximatif Pourquoi ça marche (et quand ça ne marche pas)
Générateurs de molécules de novo (SMILES, graphiques) Chimie médicinale + chimie computationnelle $$-$$$ Excellente pour explorer rapidement de nouveaux analogues 😎 - mais peut produire des composés instables et inadaptés. REINVENT 4 GENTRL (Nature Biotech 2019)
Générateurs de protéines/structures Équipes de produits biologiques, biologie structurale $$$ Permet de proposer des séquences et des structures, mais « semble plausible » ne signifie pas « fonctionne ». AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Conception moléculaire de type diffusion équipes ML avancées $$-$$$$ Points forts en matière de conditionnement des contraintes et de diversité – la configuration peut être… un sujet complexe. JCIM 2024 (modèles de diffusion) PMC 2025 revue de diffusion
copilotes de prédiction immobilière (combinaison QSAR + GenAI) DMPK, équipes de projet $$ Utile pour le triage et le classement – ​​à éviter si on le prend pour argent comptant 😬 OCDE (domaine d'applicabilité) ADMETlab 2.0
planificateurs de rétrosynthèse Procédés chimiques, CMC $$-$$$ Accélère la conception d'itinéraires – nécessite toujours l'intervention humaine pour la faisabilité et la sécurité AiZynthFinder 2020 Coley 2018 (CASP)
copilotes de laboratoire multimodaux (texte + données d'analyse) Équipes de traduction $$$ Utile pour extraire des signaux de différents ensembles de données – risque de surconfiance si les données sont irrégulières. Nature 2024 (effets de lot en imagerie cellulaire). npj Digital Medicine 2025 (multimodalité en biotechnologie).
Assistants de littérature et d'hypothèse Tout le monde, en pratique $ Réduit considérablement le temps de lecture – mais les hallucinations peuvent être insaisissables, comme des chaussettes qui disparaissent. Modèles 2025 (LLM en découverte de médicaments) Guide du clinicien (hallucinations)
Modèles de fondations internes personnalisés Grandes entreprises pharmaceutiques, sociétés de biotechnologie bien financées $$$$ Contrôle et intégration optimaux – mais aussi coûteux et long à mettre en œuvre (désolé, mais c'est la vérité). Compte rendu de Frontiers in Drug Discovery 2024

Remarques : les prix varient énormément en fonction de l’échelle, de la puissance de calcul, des licences et selon que votre équipe souhaite une solution « prête à l’emploi » ou une solution plus complexe

Gros plan : L’IA générative au service de la découverte de tubes et de la conception de novo 🧩

Voici le principal cas d'utilisation : générer des molécules candidates à partir de zéro (ou d'une structure de base) correspondant à un profil cible. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Comment cela fonctionne généralement en pratique :

  1. Définir les contraintes

  2. Générer des candidats

  3. Filtrer de manière agressive

  4. Sélectionnez un petit ensemble pour la synthèse

    • Les humains continuent de choisir, car ils peuvent parfois déceler des absurdités

La vérité, aussi dérangeante soit-elle : la valeur ne réside pas seulement dans les « nouvelles molécules », mais dans les nouvelles molécules adaptées aux contraintes de votre programme . Ce dernier point est crucial. Nature 2023 (revue sur la découverte de ligands)

Attention, légère exagération : bien menée, cette approche donne l’impression d’avoir embauché une équipe de jeunes chimistes infatigables qui ne dorment jamais et ne se plaignent jamais. Ceci dit, ils ne comprennent pas non plus pourquoi telle ou telle stratégie de protection est un cauchemar, alors… il faut trouver un juste milieu 😅.

Gros plan : Optimisation des leads grâce à l’IA générative (réglage multiparamètre) 🎛️

L'optimisation des leads, c'est là que les rêves se compliquent.

Tu veux:

  • puissance accrue

  • sélectivité vers le haut

  • stabilité métabolique accrue

  • solubilité accrue

  • signaux de sécurité vers le bas

  • perméabilité « idéale »

  • ET être toujours synthétisable

Il s'agit d'une optimisation multi-objectif classique. L'IA générative excelle particulièrement dans la proposition d'un ensemble de solutions de compromis, plutôt que de prétendre à l'existence d'une solution unique et parfaite. de REINVENT 4 (modèles génératifs) publié par Elsevier en 2024.

Exemples pratiques d'utilisation par les équipes :

  • Suggestion analogue : « Créez 30 variantes qui réduisent la clairance mais conservent la puissance. »

  • Analyse des substituants : exploration guidée plutôt qu'énumération exhaustive

  • Saut de squelette : lorsqu'un noyau rencontre un problème (toxicité, IP ou stabilité)

  • Suggestions explicatives : « Ce groupe polaire peut améliorer la solubilité mais pourrait nuire à la perméabilité » (pas toujours exact, mais utile).

Attention : les prédicteurs de propriétés peuvent être fragiles. Si vos données d’entraînement ne correspondent pas à votre série chimique, le modèle peut se tromper lourdement. Et il ne s’en formalisera pas. Principes de validation QSAR de l’OCDE (domaine d’applicabilité) ; Weaver 2008 (domaine d’applicabilité QSAR).

Examen approfondi : ADMET, toxicité et sélection « s’il vous plaît, ne mettez pas fin au programme » 🧯

ADMET est un domaine où de nombreux candidats échouent discrètement. L'IA générative ne résout pas les problèmes de la biologie, mais elle peut réduire les erreurs évitables. ADMETlab 2.0, Waring 2015 (attrition).

Rôles courants :

  • prédiction des risques métaboliques (sites de métabolisme, tendances d'élimination)

  • signalement des motifs de toxicité probables (alertes, indicateurs d'intermédiaires réactifs)

  • estimation des plages de solubilité et de perméabilité

  • Suggestions de modifications pour réduire le risque lié à hERG ou améliorer la stabilité 🧪 FDA (Questions-réponses ICH E14/S7B) EMA (Aperçu ICH E14/S7B)

Le schéma le plus efficace ressemble généralement à ceci : utiliser l’IA générale pour proposer des options, mais utiliser des modèles et des expériences spécialisés pour les vérifier.

L'IA générative est le moteur de l'idéation. La validation repose encore sur des essais.

Gros plan : L’IA générative au service des produits biologiques et de l’ingénierie des protéines 🧬✨

La découverte de médicaments ne se limite pas aux petites molécules. L'IA générative est également utilisée pour :

La génération de protéines et de séquences peut s'avérer très puissante car le « langage » des séquences se prête étonnamment bien aux méthodes d'apprentissage automatique. Mais voici le hic : cette correspondance est bonne… jusqu'à un certain point. Car l'immunogénicité, l'expression, les profils de glycosylation et les contraintes de développement peuvent être impitoyables. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Les meilleures configurations comprennent donc :

  • filtres de développabilité

  • score de risque d'immunogénicité

  • contraintes de fabricabilité

  • Boucles de laboratoire humide pour une itération rapide 🧫

Si vous sautez ces passages, vous obtenez une séquence magnifique qui se comporte comme une diva en production.

Analyse approfondie : Suggestions pour la planification de la synthèse et la rétrosynthèse 🧰

L'IA générative s'immisce également dans les opérations chimiques, et pas seulement dans la conception de molécules.

Les planificateurs de rétrosynthèse peuvent :

  • proposer des voies d'accès au composé cible

  • suggérer des matériaux de départ disponibles dans le commerce

  • Classer les itinéraires par nombre de pas ou par faisabilité perçue

  • Aider les chimistes à éliminer rapidement les idées « mignonnes mais impossibles » AiZynthFinder 2020 Coley 2018 (CASP)

Cela peut permettre de gagner un temps précieux, notamment lors de l'exploration de nombreuses structures candidates. Cependant, l'intervention humaine reste essentielle car :

  • changements de disponibilité des réactifs

  • Les préoccupations liées à la sécurité et à l'échelle sont bien réelles

  • Certaines étapes semblent correctes sur le papier, mais échouent systématiquement

Une métaphore imparfaite, certes, mais je l'utilise quand même : l'IA de rétrosynthèse est comme un GPS généralement précis, sauf qu'il vous fait parfois traverser un lac en insistant sur le fait que c'est un raccourci. 🚗🌊 Coley 2017 (rétrosynthèse assistée par ordinateur)

Données, modèles multimodaux et la dure réalité des laboratoires 🧾🧪

L'IA générative adore les données. Les laboratoires produisent des données. Sur le papier, cela semble simple.

Ha. Non.

Les données réelles du laboratoire sont :

Les systèmes génératifs multimodaux peuvent combiner :

Quand ça fonctionne, c'est génial. On peut découvrir des tendances non évidentes et proposer des expériences qu'un spécialiste seul pourrait manquer.

Quand cela échoue, c'est en douceur. Cela ne claque pas la porte. Cela vous pousse simplement vers une conclusion erronée, mais assurée. C'est pourquoi la gouvernance, la validation et l'analyse du domaine sont indispensables. Guide du clinicien (hallucinations) npj Digital Medicine 2025 (hallucination + cadre de sécurité)

Risques, limitations et la section « Ne vous laissez pas tromper par une sortie fluide » ⚠️

Si vous ne devez retenir qu'une seule chose, c'est celle-ci : l'IA générative est persuasive. Elle peut sembler juste tout en ayant tort. Guide clinique (hallucinations)

Principaux risques :

Mesures d'atténuation efficaces en pratique :

  • maintenir les humains dans le processus de décision

  • Consigner les invites et les sorties à des fins de traçabilité

  • valider avec des méthodes orthogonales (essais, modèles alternatifs)

  • Appliquer automatiquement les contraintes et les filtres

  • Traiter les résultats comme des hypothèses, et non comme des vérités absolues : lignes directrices de l’OCDE sur la QSAR

L'IA générative est un outil puissant. Les outils puissants ne font pas de vous un menuisier… ils ne font que commettre des erreurs plus rapidement si vous ne savez pas vous en servir.

Comment les équipes adoptent l'IA générative sans chaos 🧩🛠️

Les équipes souhaitent souvent utiliser cette fonctionnalité sans pour autant transformer l'organisation en laboratoire. Voici un exemple concret d'adoption :

Par ailleurs, il ne faut pas sous-estimer l'influence de la culture. Si les chimistes ont l'impression qu'on leur impose l'IA, ils l'ignoreront. En revanche, si elle leur fait gagner du temps et respecte leur expertise, ils l'adopteront rapidement. L'être humain est parfois surprenant 🙂.

Quel est le rôle de l'IA générative dans la découverte de médicaments, vu d'un point de vue plus global ? 🔭

En résumé, ce rôle n'est pas de « remplacer les scientifiques », mais d'« élargir le champ d'action scientifique ». Nature 2023 (revue sur la découverte de ligands)

Cela aide les équipes :

  • explorer plus d'hypothèses par semaine

  • proposer davantage de structures candidates par cycle

  • prioriser les expériences de manière plus intelligente

  • compresser les boucles d'itération entre la conception et les tests

  • Partage des connaissances entre les différents services : Tendances 2025 (Masters en droit de la découverte de médicaments)

Et, point peut-être le plus sous-estimé : cela permet de ne pas gaspiller la précieuse créativité humaine sur des tâches répétitives. Les individus devraient se concentrer sur les mécanismes, les stratégies et l’interprétation, et non passer des jours à générer manuellement des listes de variantes. Nature 2023 (revue sur la découverte de ligands)

Alors oui, le rôle de l'IA générative dans la découverte de médicaments est celui d'un accélérateur, d'un générateur, d'un filtre, et parfois d'un élément perturbateur. Mais un élément précieux.

Résumé de clôture 🧾✅

L'IA générative devient une compétence essentielle dans la découverte moderne de médicaments, car elle peut générer des molécules, des hypothèses, des séquences et des voies de synthèse plus rapidement que les humains, et aider les équipes à optimiser leurs expériences. ( Frontiers in Drug Discovery 2024, revue Nature 2023 – revue sur la découverte de ligands)

Points clés du résumé :

Si vous l'utilisez comme un collaborateur et non comme un oracle, il peut véritablement faire avancer les projets. Et si vous l'utilisez comme un oracle… eh bien, vous risquez de vous retrouver à nouveau à suivre ce GPS jusqu'au fond du lac. 🚗🌊

FAQ

Quel est le rôle de l'IA générative dans la découverte de médicaments ?

L'IA générative élargit principalement le champ des idées lors des phases précoces de découverte et d'optimisation des composés candidats en proposant des molécules, des séquences protéiques, des voies de synthèse et des hypothèses biologiques. Sa valeur ajoutée réside moins dans le remplacement des expériences que dans la sélection d'expériences plus pertinentes grâce à la génération de nombreuses options, suivie d'une sélection rigoureuse. Elle est plus efficace comme accélérateur au sein d'un processus structuré que comme outil de décision autonome.

À quel moment de la chaîne de production de médicaments l'IA générative est-elle la plus performante ?

Elle s'avère particulièrement efficace lorsque l'espace des hypothèses est vaste et l'itération coûteuse, comme pour l'identification de molécules actives, la conception de novo et l'optimisation de têtes de série. Les équipes l'utilisent également pour le tri ADMET, les suggestions de rétrosynthèse et l'appui à la recherche bibliographique ou à la formulation d'hypothèses. Les gains les plus importants proviennent généralement de l'intégration de la génération de modèles avec des filtres, un système de notation et une validation humaine, plutôt que de s'attendre à ce qu'un seul modèle soit « intelligent »

Comment définir des contraintes pour que les modèles génératifs ne produisent pas de molécules inutiles ?

Une approche pratique consiste à définir des contraintes avant la génération : plages de propriétés (comme les cibles de solubilité ou de logP), règles de structure ou de sous-structure, caractéristiques des sites de liaison et limites de nouveauté. Il convient ensuite d’appliquer des filtres de chimie médicinale (notamment les groupes réactifs) et des contrôles de synthétisabilité. La génération par contraintes est particulièrement utile pour la conception moléculaire de type diffusion et les plateformes comme REINVENT 4, qui permettent d’intégrer des objectifs multiples.

Comment les équipes doivent-elles valider les résultats de GenAI pour éviter les hallucinations et la surconfiance ?

Considérez chaque résultat comme une hypothèse, et non une conclusion, et validez-le par des essais et des modèles orthogonaux. Procédez à la génération de paires avec un filtrage rigoureux, un amarrage moléculaire ou une notation lorsque cela est pertinent, et effectuez des vérifications du domaine d'applicabilité pour les prédicteurs de type QSAR. Rendez l'incertitude visible lorsque cela est possible, car les modèles peuvent se tromper avec certitude sur des données chimiques hors distribution ou des allégations biologiques fragiles. L'intervention humaine dans le processus reste un élément essentiel de la sécurité.

Comment prévenir les fuites de données, les risques liés à la propriété intellectuelle et les sorties « mémorisées » ?

Utilisez des mécanismes de gouvernance et de contrôle d'accès pour éviter que des informations sensibles relatives au programme ne soient intégrées par inadvertance aux invites de commande, et consignez les invites et les résultats à des fins d'audit. Appliquez des contrôles de nouveauté et de similarité afin que les candidats générés ne soient pas trop proches de composés connus ou de régions protégées. Définissez clairement les données autorisées dans les systèmes externes et privilégiez les environnements contrôlés pour les travaux à haute sensibilité. Une relecture humaine permet de détecter rapidement les suggestions trop similaires.

Comment l'IA générative est-elle utilisée pour l'optimisation des prospects et le réglage multiparamètre ?

Dans l'optimisation de composés candidats, l'IA générative est précieuse car elle peut proposer plusieurs solutions de compromis au lieu de rechercher un seul composé « parfait ». Les flux de travail courants incluent la suggestion d'analogues, le balayage guidé des substituants et le changement de structure lorsque des contraintes de puissance, de toxicité ou de propriété intellectuelle bloquent la progression. Les prédicteurs de propriétés pouvant être fragiles, les équipes classent généralement les candidats à l'aide de plusieurs modèles, puis confirment expérimentalement les meilleures options.

L'IA générative peut-elle aussi aider dans le domaine des produits biologiques et de l'ingénierie des protéines ?

Oui, les équipes l'utilisent pour la génération de séquences d'anticorps, l'exploration de la maturation d'affinité, l'amélioration de la stabilité et la recherche sur les enzymes ou les peptides. La génération de protéines/séquences peut sembler plausible sans pour autant être exploitable ; il est donc important d'appliquer des critères de développabilité, d'immunogénicité et de fabricabilité. Des outils structuraux comme AlphaFold peuvent faciliter le raisonnement, mais une « structure plausible » ne constitue pas une preuve d'expression, de fonction ou d'innocuité. Les expériences en laboratoire restent essentielles.

Comment l'IA générative soutient-elle la planification de la synthèse et la rétrosynthèse ?

Les outils de planification de rétrosynthèse peuvent suggérer des voies de synthèse, des réactifs et un classement des voies possibles afin d'accélérer la génération d'idées et d'éliminer rapidement les pistes irréalisables. Les outils et approches de type AiZynthFinder sont plus efficaces lorsqu'ils sont associés à des vérifications de faisabilité concrètes effectuées par des chimistes. La disponibilité, la sécurité, les contraintes de transposition d'échelle et les réactions théoriques qui échouent en pratique nécessitent toujours un jugement humain. Utilisée de cette manière, la rétrosynthèse permet un gain de temps sans pour autant prétendre que la chimie est une science exacte.

Références

  1. Nature - Revue de la découverte de ligands (2023) - nature.com

  2. Nature Biotechnology - GENTRL (2019) - nature.com

  3. Nature - AlphaFold (2021) - nature.com

  4. Nature - Diffusion RF (2023) - nature.com

  5. Nature Biotechnology - Générateur de protéines (2024) - nature.com

  6. Nature Communications - Effets de lot en imagerie cellulaire (2024) - nature.com

  7. npj Médecine numérique - Hallucinations et cadre de sécurité (2025) - nature.com

  8. npj Médecine numérique - Multimodalité en biotechnologie (2025) - nature.com

  9. Science - ProteinMPNN (2022) - science.org

  10. Modèles cellulaires - Les LLM dans la découverte de médicaments (2025) - cell.com

  11. ScienceDirect (Elsevier) - Modèles génératifs pour la conception de novo de médicaments (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023) : questions de nouveauté et d’unicité - sciencedirect.com

  13. Analyse d'images médicales (ScienceDirect) - IA multimodale en médecine (2025) - sciencedirect.com

  14. PubMed Central - Guide à l'intention des cliniciens (risque d'hallucinations) - nih.gov

  15. Comptes rendus de recherche chimique (Publications ACS) - Espace chimique (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009) : échelle de l’espace chimique - nih.gov

  17. Frontiers in Drug Discovery (PubMed Central) - Revue (2024) - nih.gov

  18. Journal of Chemical Information and Modeling (ACS Publications) - Modèles de diffusion dans la conception de novo de médicaments (2024) - acs.org

  19. PubMed Central - REINVENT 4 (cadre ouvert) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (l'importance des données ADMET précoces) - nih.gov

  21. OCDE - Principes de validation à des fins réglementaires des modèles (Q)SAR - oecd.org

  22. OCDE - Document d'orientation sur la validation des modèles (Q)SAR - oecd.org

  23. Comptes rendus de recherche chimique (Publications ACS) - Planification de synthèse assistée par ordinateur / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (Publications ACS) - Rétrosynthèse assistée par ordinateur (Coley, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Lipinski : Contexte de la règle des 5 - nih.gov

  27. Journal of Medicinal Chemistry (ACS Publications) - Baell & Holloway (2010) : DOULEURS - acs.org

  28. PubMed - Waring (2015) : attrition - nih.gov

  29. PubMed - Rives (2021) : modèles de langage protéique - nih.gov

  30. PubMed Central - Leek et al. (2010) : effets de lot - nih.gov

  31. PubMed Central - Revue de diffusion (2025) - nih.gov

  32. FDA - E14 et S7B : évaluation clinique et non clinique de l’allongement de l’intervalle QT/QTc et du potentiel proarythmique (questions-réponses) - fda.gov

  33. Agence européenne des médicaments - Aperçu de la directive ICH E14/S7B - europa.eu

  34. USENIX - Carlini et al. (2021) : extraction de données d'entraînement à partir de modèles de langage - usenix.org

  35. Université d'Édimbourg – Services de recherche numérique – Ressource de cahier de laboratoire électronique (ELN) – ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008) : Domaine d'applicabilité des modèles QSAR - sciencedirect.com

Découvrez les dernières fonctionnalités d'IA sur la boutique officielle des assistants IA

À propos de nous

Retour au blog