РЕМЕДИУМРЕМЕДИУМ1561-59362658-3534Joint-Stock Company Chicot181610.32687/1561-5936-2025-29-3-213-220Original ArticleОсновные области и перспективы использования искусственного интеллекта и машинного обучения для ускорения разработки новых лекарственных средствКошечкинКонстантин Александровичk.koshechkin@lpt.digitalЛаврентьеваЛариса ИвановнаLavl2004@mail.ruРомановФилипп Александровичrfa2010@ya.ruЯворскийАлександр Николаевичmail.ruЕвразийская академия надлежащих практик, Москва, РоссияЯрославский государственный медицинский университет Министерства здравоохранения Российской Федерации, г. Ярославль, РоссияАссоциация участников обращения лекарственных средств и изделий медицинского назначения «ЛЕКМЕДОБРАЩЕНИЕ», Москва, Россия15122025321322017102025Copyright © 2025, АО "Шико"2025Статья посвящена направлениям и перспективам использования искусственного интеллекта (ИИ) и машинного обучения (МО) в разработке новых лекарственных средств. Изложены инновационные подходы, которые кардинально трансформируют традиционные процессы поиска и создания лекарств. Представлены основные области применения ИИ/МО: идентификация и валидация биомишеней, молекулярный дизайн, прогнозирование свойств лекарственных соединений, автоматизация лабораторных процессов. Приведены технологические решения в данной сфере, такие как платформы Direct-to-Biology, CRISPR-технологии, высокопроизводительная визуализация, генеративные модели ИИ. Ключевыми преимуществами внедрения ИИ/МО являются ускорение разработки лекарств, снижение затрат, повышение точности прогнозирования, расширение возможностей молекулярного дизайна. Для реализации этого потенциала необходимо продолжать инвестиции в технологии и подготовку специалистов междисциплинарного профиля. Интеграция ИИ в исследования открывает новые перспективы для создания инновационных, персонализированных методов лечения.overview, artificial intelligence, machine learning, medicines developобзор, искусственный интеллект, машинное обучение, разработка лекарственных средств[Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. 2014.][Drug Discovery — ELRIG [Electronic resource]. URL: https://elrig.org/portfolio/drug-discovery-2024/ (accessed: 02th January 2025).][Sheikh M, Iqra F, Ambreen H, Pravin KA, Ikra M, Chung YS Integrating artificial intelligence and high-throughput phenotyping for crop improvement. J. Integr. Agric. 2024;(23):1787—1802.][Fang S, Wei R, Cui Y, Su L. Advancing AI protein structure prediction and design: from amino acid “bones” to new era of all-atom “flesh”. Green Carbon. 2024;(2):209—210.][Pioneering TechBio Solutions in Drug Discovery. Recursion [Electronic resource]. Available from: https://www.recursion.com/ (Аccessed: 02th January 2025).][Stevens R, Bendito-Mol E, Battersby DJ, Miah AH, Wellaway N, Law RP at all. Integrated Direct-to-Biology Platform for the Nanoscale Synthesis and Biological Evaluation of PROTACs. Journal of medicinal chemistry. 2022;66(22):15437—15452. DOI: 10.1021/acs.jmedchem.3c01604][Abbasi AF, Asim MN, Dengel A. Transitioning from wet lab to artificial intelligence: a systematic review of AI predictors in CRISPR. J Transl Med. 2025;23(1):153. DOI: 10.1186/s12967-024-06013-w][Advancing Gene Editing with ePsCas9 Technology [Electronic resource]. Available from: https://www.astrazeneca.com/what-science-can-do/topics/clinical-innovation/advancing-gene-editing-with-epscas9-technology.html (Аccessed: 02th January 2025).][Degtev D, Bravo J, Emmanouilidi A, Zdravković A, Choong O, Touza J et al. Engineered PsCas9 enables therapeutic genome editing in mouse liver with lipid nanoparticles. Nature Communications. 2024;15(1):1—15.][On the CRISPR horizon: democratising access to genome-editing technologies. Available from: https://www.drugtargetreview.com/article/107337/on-the-crispr-horizon-democratising-access-to-genome-editing-technologies/ (Accessed: 02th January 2025).][Constructive Bio. Available from: https://www.constructive.bio/. (Accessed: 02th January 2025).][Chen L, Xin X, Zhang Y, Li S, Zhao X, Li S. et al. Advances in Biosynthesis of Non-Canonical Amino Acids (ncAAs) and the Methods of ncAAs Incorporation into Proteins. Molecules. 2023;28(18):6745.][Chen Y, Jin S, Zhang M, Hu Y, Wu KL, Chung A. et al. Unleashing the potential of noncanonical amino acid biosynthesis to create cells with precision tyrosine sulfation. Nat Commun. 2022;(13):5434.][Automating Discovery: Laboratory Automation, High Throughput Experimentation, Diagnostics and Laboratory Robotics/AI. Available from: https://eu-robotics.net/2024-09-fll-white-paper-launched-on-lab-robotics/ (accessed: 02th January 2025).][Towards a research roadmap for laboratory robotics — 2024 — Wiley Analytical Science. Available from: https://analyticalscience.wiley.com/content/article-do/towards-research-roadmap-laboratory-robotics (accessed: 02th January 2025).][Royall P. Using Robotics in Laboratories During the COVID-19 Outbreak: A Review. IEEE Robotics & Automation Magazine.][12641 PDFs | Review articles in LABORATORY AUTOMATION. Available from: https://www.researchgate.net/topic/Laboratory-Automation/publications (accessed: 02th January 2025).][Li H, Li T, Quang D, Guan Y. Network Propagation Predicts Drug Synergy in Cancers. Cancer Res. 2018;78(18):5446—5457.][Bestas B, Wimberger S, Degtev D, Madsen А, Rottner ФА., Karisson F. at al. A Type II-B Cas9 nuclease with minimized off-targets and reduced chromosomal translocations in vivo. Nat Commun. 2023;14(1):5474.][Reimagining Drug Discovery Process with AI — Isomorphic Labs. Available from: https://www.isomorphiclabs.com/ (Аccessed: 02th January 2025).][Roerden M, Castro AB, Cui Y, Harake N, Kim B, Dye J, Roerden M et al. Neoantigen architectures define immunogenicity and drive immune evasion of tumors with heterogenous neoantigen expression. J Immunother Cancer. 2024;12(11):e010249.][Litchfield K, Augustine M, Nene N, Fu H, Pinder C, Ligamari L et al. Immunotherapy drug target identification using machine learning and patient-derived tumour explant validation. Biomedical Foundation Models — IBM Research [Internet]. 2024 Nov; Available from: https://research.ibm.com/projects/biomedical-foundation-models. DOI:10.21203/rs.3.rs-5499857/v1][Biomedical Foundation Models — IBM Research [Electronic resource]. URL: https://research.ibm.com/projects/biomedical-foundation-models (accessed: 02.01.2025).][United Kingdom — IBM Research. Available from: https://research.ibm.com/labs/uk (accessed: 02th January 2025).][Aliper A, Plis S, Artemov A, Ulloa A, Mamoshina P, Zhavoronkov A. Deep Learning Applications for Predicting Pharmacological Properties of Drugs and Drug Repurposing Using Transcriptomic Data. Mol Pharm. 2016;13(7):2524—2530. DOI: 10.1021/acs.molpharmaceut.6b00248][Insilico Medicine. Available from: https://insilico.com/ (Accessed: 02th January 2025).][Kamya P, Ozerov IV, Pun FW, et al. PandaOmics: An AI-Driven Platform for Therapeutic Target and Biomarker Discovery. J Chem Inf Model. 2024;64(10):3961—3969. DOI: 10.1021/acs.jcim.3c01619][Ivanenkov YA, Polykovskiy D, Bezrukov D, et al. Chemistry42: An AI-Driven Platform for Molecular Design and Optimization. J Chem Inf Model. 2023;63(3):695—701. DOI: 10.1021/acs.jcim.2c01191][Lu M, Yin J, Zhu Q, Lin G, Mou M, Liu F, et al. Artificial Intelligence in Pharmaceutical Sciences. Engineering [Internet]. 2023 Aug [cited 2024 Jul 4]; 27: 37—69. Available from: https://linkinghub.elsevier.com/retrieve/pii/S2095809923001649.][Levin JM, Oprea TI, Davidovich S, Clozel T, Overington J, Vanhaelen Q et al. Artificial intelligence, drug repurposing and peer review. Nat Biotechnol. 2020;38(10):1127—1131. DOI: 10.1038/s41587-020-0686-x][RXRX3: Phenomics Map of Biology. Available from: https://www.rxrx.ai/rxrx3 (Accessed: 02th January 2025).]