Wat is de rol van generatieve AI in de geneesmiddelenontwikkeling?

Wat is de rol van generatieve AI bij de ontwikkeling van nieuwe geneesmiddelen?

Kort antwoord: Generatieve AI versnelt vooral de vroege fase van geneesmiddelenontwikkeling door kandidaatmoleculen of eiwitsequenties te genereren, syntheseroutes voor te stellen en toetsbare hypothesen naar voren te brengen, zodat teams minder "blinde" experimenten hoeven uit te voeren. Het werkt het best wanneer je strikte beperkingen oplegt en de resultaten valideert; als het als een orakel wordt behandeld, kan het met grote zekerheid misleidende resultaten opleveren.

Belangrijkste conclusies:

Versnelling : Gebruik GenAI om de ideeëngeneratie te verbreden en verfijn deze vervolgens met strenge filtering.

Beperkingen : Vereist eigenschapsbereiken, scaffoldregels en nieuwheidslimieten vóór de generatie.

Validatie : Beschouw de resultaten als hypothesen; bevestig ze met behulp van analyses en orthogonale modellen.

Traceerbaarheid : Leg prompts, outputs en onderbouwing vast, zodat beslissingen controleerbaar en evalueerbaar blijven.

Bescherming tegen misbruik : Voorkom lekken en overmoed met behulp van governance, toegangscontrole en menselijke beoordeling.

Wat is de rol van generatieve AI bij de ontwikkeling van nieuwe geneesmiddelen? Infographic

Artikelen die u wellicht interessant vindt om na dit artikel te lezen:

🔗 De rol van AI in de gezondheidszorg
Hoe AI de diagnose, werkprocessen, patiëntenzorg en resultaten verbetert.

🔗 Zal AI radiologen vervangen?
Dit boek onderzoekt hoe automatisering de radiologie verbetert en wat menselijk blijft.

🔗 Zal AI artsen vervangen?
Een eerlijke blik op de impact van AI op het werk en de praktijk van artsen.

🔗 De beste AI-labtools voor wetenschappelijke ontdekkingen
De beste AI-labtools om experimenten, analyses en ontdekkingen te versnellen.

De rol van generatieve AI in geneesmiddelenontwikkeling, in één adem 😮💨

Generatieve AI helpt farmaceutische teams bij het creëren van kandidaatmoleculen, het voorspellen van eigenschappen, het voorstellen van modificaties, het bedenken van syntheseroutes, het onderzoeken van biologische hypothesen en het verkorten van iteratiecycli – met name in de vroege fase van ontdekking en leadoptimalisatie. Nature 2023 (overzicht van ligandontdekking) Elsevier 2024 (generatieve modellen in de novo geneesmiddelenontwerp)

En ja, het kan ook vol zelfvertrouwen onzin produceren. Dat hoort erbij. Net als een zeer enthousiaste stagiair met een raketmotor. Handleiding voor clinici (risico op hallucinaties) npj Digitale geneeskunde 2025 (hallucinatie + veiligheidskader)

Waarom dit belangrijker is dan mensen toegeven 💥

Veel onderzoekswerk bestaat uit "zoeken". Zoeken in de chemische ruimte, in de biologie, in de literatuur, in de relatie tussen structuur en functie. Het probleem is dat de chemische ruimte in principe oneindig groot is. Accounts of Chemical Research 2015 (chemische ruimte) Irwin & Shoichet 2009 (schaal van de chemische ruimte)

Je zou meerdere levens kunnen besteden aan het uitproberen van "redelijke" variaties.

Generatieve AI verandert de workflow van:

  • “Laten we eens testen wat we kunnen bedenken”

naar:

  • "Laten we een grotere, slimmere reeks opties genereren en vervolgens de beste testen."

Het gaat er niet om experimenten te elimineren. Het gaat erom betere experimenten te kiezen . 🧠 Nature 2023 (overzicht van ligandontdekkingen)

Bovendien, en dit wordt te weinig besproken, helpt het teams om interdisciplinair te communiceren . Chemici, biologen, DMPK-specialisten, computerwetenschappers... iedereen heeft een ander mentaal model. Een goed generatief systeem kan dienen als een gedeeld schetsblok. (Review uit Frontiers in Drug Discovery 2024)

Wat maakt een goede versie van generatieve AI voor geneesmiddelenontwikkeling? ✅

Niet alle generatieve AI is gelijkwaardig. Een "goede" versie voor dit vakgebied draait minder om flitsende demonstraties en meer om onopvallende betrouwbaarheid (onopvallend is hier een deugd). Nature 2023 (overzicht van ligandontdekking)

Een goede opstelling voor generatieve AI omvat doorgaans:

Als je generatieve AI geen beperkingen aankan, is het in feite een generator van nieuwigheden. Leuk op feestjes. Minder leuk in een drugsprogramma.

Waar past generatieve AI in het hele geneesmiddelenontwikkelingsproces? 🧭

Hier is een eenvoudig mentaal schema. Generatieve AI kan bijdragen aan bijna elke fase, maar presteert het best waar iteratie kostbaar is en de hypotheseruimte enorm is. Nature 2023 (overzicht van ligandontdekking)

Veelvoorkomende contactmomenten:

In veel programma's worden de grootste successen behaald door workflow-integratie , niet doordat één enkel model "geniaal" is. Het model is de motor, de pipeline is de auto. Nature 2023 (overzicht van ligandontdekking)

Vergelijkingstabel: populaire generatieve AI-benaderingen die worden gebruikt bij de ontwikkeling van geneesmiddelen 📊

Een ietwat onvolmaakte tafel, omdat het echte leven nu eenmaal een beetje onvolmaakt is.

Hulpmiddel / Aanpak Het meest geschikt voor (doelgroep) Prijsachtig Waarom het werkt (en wanneer niet)
De novo molecuulgeneratoren (SMILES, grafieken) Medische chemie + vergelijkende chemie $$-$$$ Geweldig in het snel ontdekken van nieuwe analogen 😎 - maar kan ook instabiele mislukkingen opleveren. REINVENT 4 GENTRL (Nature Biotech 2019)
Eiwit-/structuurgeneratoren Biologische teams, structurele biologie $$$ Helpt bij het voorstellen van sequenties en structuren, maar "lijkt aannemelijk" is niet hetzelfde als "werkt". AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Diffusie-achtige moleculaire vormgeving Geavanceerde ML-teams $$-$$$$ Sterk in het conditioneren van beperkingen en diversiteit - de opzet kan een heel gedoe zijn. JCIM 2024 (diffusiemodellen) PMC 2025 diffusiebeoordeling
Copiloten voor vastgoedvoorspelling (QSAR + GenAI-combinatie) DMPK, projectteams $$ Goed voor triage en rangschikking - slecht als het als absolute waarheid wordt beschouwd 😬 OECD (toepassingsgebied) ADMETlab 2.0
Retrosynthese planners Proceschemie, CMC $$-$$$ Versnelt het bedenken van routes - menselijke expertise blijft nodig voor haalbaarheid en veiligheid. AiZynthFinder 2020 Coley 2018 (CASP)
Multimodale laboratoriumcopiloten (tekst + analysedata) Vertalingsteams $$$ Handig voor het extraheren van signalen uit verschillende datasets - vatbaar voor overmoed als de data onregelmatig is. Nature 2024 (batch-effecten in celbeeldvorming) npj Digital Medicine 2025 (multimodale methoden in de biotechnologie)
Literatuur- en hypothese-assistenten Iedereen, in de praktijk $ Bespaart veel leestijd, maar hallucinaties kunnen verraderlijk zijn, zoals verdwijnende sokken. Patterns 2025 (LLM in geneesmiddelenonderzoek) Klinische handleiding (hallucinaties)
Op maat gemaakte funderingsmodellen, in eigen huis ontwikkeld Grote farmaceutische bedrijven, goed gefinancierde biotechbedrijven $$$$ Optimale controle + integratie - maar ook duur en traag om te bouwen (sorry, het is waar). Recensie uit Frontiers in Drug Discovery 2024.

Let op: de prijzen variëren sterk, afhankelijk van de schaal, de rekenkracht, de licenties en of uw team een ​​"plug-and-play"-oplossing wil of een "laten we een ruimteschip bouwen"

Nader bekeken: Generatieve AI voor het ontdekken van hits en het ontwerpen van nieuwe content 🧩

Dit is de belangrijkste toepassing: het genereren van kandidaatmoleculen vanaf nul (of vanuit een basisstructuur) die overeenkomen met een doelprofiel. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Hoe het in de praktijk doorgaans werkt:

  1. Definieer beperkingen

  2. Kandidaten genereren

  3. Filter agressief

  4. Selecteer een kleine set voor synthese

    • Mensen blijven pikken, omdat mensen soms onzin kunnen ruiken

De ongemakkelijke waarheid: de waarde zit hem niet alleen in "nieuwe moleculen". Het gaat erom dat de nieuwe moleculen passen binnen de beperkingen van je programma . Dat laatste is cruciaal. Nature 2023 (overzicht van ligandontdekking)

En hier volgt een kleine overdrijving: als het goed gedaan is, kan het voelen alsof je een team van onvermoeibare junior chemici hebt ingehuurd die nooit slapen en nooit klagen. Aan de andere kant begrijpen ze ook niet waarom een ​​bepaalde beschermingsstrategie een nachtmerrie is, dus… een beetje balans is belangrijk 😅.

Nader bekeken: Leadoptimalisatie met generatieve AI (multi-parameter tuning) 🎛️

Leadoptimalisatie is waar dromen ingewikkeld worden.

U wilt:

  • potentie omhoog

  • selectiviteit omhoog

  • metabolische stabiliteit omhoog

  • oplosbaarheid tot

  • veiligheidssignalen omlaag

  • doorlaatbaarheid “precies goed”

  • EN nog steeds synthetiseerbaar zijn

Dit is klassieke multi-objectieve optimalisatie. Generatieve AI is uitzonderlijk goed in het voorstellen van een reeks compromisoplossingen in plaats van te doen alsof er één perfecte verbinding bestaat. REINVENT 4 Elsevier 2024 review (generatieve modellen)

Praktische manieren waarop teams het gebruiken:

  • Analoge suggestie : "Maak 30 varianten die de klaring verminderen maar de werkzaamheid behouden."

  • Substituentscanning : gerichte verkenning in plaats van brute-force opsomming.

  • Scaffold hopping : wanneer een kern tegen een muur aanloopt (toxiciteit, IP of stabiliteit)

  • Suggesties ter verduidelijking : "Deze polaire groep kan de oplosbaarheid bevorderen, maar de permeabiliteit juist verminderen" (niet altijd juist, maar wel nuttig).

Een waarschuwing: voorspellers van eigenschappen kunnen kwetsbaar zijn. Als uw trainingsgegevens niet overeenkomen met uw chemische reeks, kan het model er behoorlijk naast zitten. Echt, heel erg fout. En het zal zich er niet voor schamen. OESO QSAR-validatieprincipes (toepassingsgebied) Weaver 2008 (QSAR-toepassingsgebied)

Nader bekeken: ADMET, toxiciteit en de screening met de boodschap "alsjeblieft, maak geen einde aan het programma" 🧯

Bij ADMET vallen veel kandidaten in stilte af. Generatieve AI lost de biologie niet op, maar kan wel vermijdbare fouten verminderen. ADMETlab 2.0 Waring 2015 (uitval)

Veelvoorkomende rollen:

  • het voorspellen van metabole beperkingen (metabolische locaties, klaringstrends)

  • het signaleren van waarschijnlijke toxiciteitsmotieven (waarschuwingen, surrogaten voor reactieve tussenproducten)

  • het schatten van oplosbaarheids- en permeabiliteitsbereiken

  • Suggesties voor aanpassingen om het hERG-risico te verlagen of de stabiliteit te verbeteren 🧪 FDA (ICH E14/S7B Q&A) EMA (ICH E14/S7B overzicht)

Het meest effectieve patroon ziet er doorgaans als volgt uit: gebruik GenAI om opties voor te stellen, maar gebruik gespecialiseerde modellen en experimenten om deze te verifiëren.

Generatieve AI is de ideeëngenerator. Validatie vindt nog steeds plaats via tests.

Nader bekeken: Generatieve AI voor biologische geneesmiddelen en eiwitengineering 🧬✨

Geneesmiddelenontwikkeling beperkt zich niet alleen tot kleine moleculen. Generatieve AI wordt ook gebruikt voor:

Eiwit- en sequentiegeneratie kan krachtig zijn omdat de "taal" van sequenties verrassend goed aansluit op machine learning-methoden. Maar hier is de kanttekening: het sluit goed aan... totdat het niet meer aansluit. Want immunogeniteit, expressie, glycosyleringspatronen en ontwikkelbaarheidsbeperkingen kunnen meedogenloos zijn. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

De beste configuraties zijn dus onder andere:

  • ontwikkelbaarheidsfilters

  • immunogeniciteitsrisicoscore

  • maakbaarheidsbeperkingen

  • natte labloops voor snelle iteratie 🧫

Als je die overslaat, krijg je een prachtige sequentie die zich tijdens de productie als een diva gedraagt.

Nader bekeken: Syntheseplanning en suggesties voor retrosynthese 🧰

Generatieve AI dringt ook door in chemische processen, niet alleen bij het bedenken van moleculen.

Planners van retrosynthese kunnen:

  • routes voorstellen naar een doelverbinding

  • suggereren commercieel verkrijgbare uitgangsmaterialen

  • Rangschik routes op basis van het aantal stappen of de waargenomen haalbaarheid

  • Help chemici snel “leuke maar onmogelijke” ideeën uit te sluiten. AiZynthFinder 2020 Coley 2018 (CASP)

Dit kan veel tijd besparen, vooral wanneer je veel potentiële structuren onderzoekt. Toch spelen mensen hier een belangrijke rol, omdat:

  • De beschikbaarheid van reagentia verandert

  • Veiligheids- en schaalproblemen zijn reële zorgen

  • Sommige stappen lijken op papier prima, maar falen herhaaldelijk

Een minder dan perfecte metafoor, maar ik gebruik hem toch: retrosynthese-AI is als een GPS die meestal gelijk heeft, behalve dat hij je soms dwars door een meer leidt en volhoudt dat het een kortere route is. 🚗🌊 Coley 2017 (computerondersteunde retrosynthese)

Data, multimodale modellen en de rauwe realiteit van laboratoria 🧾🧪

Generatieve AI is dol op data. Labs produceren data. Op papier klinkt dat eenvoudig.

Ha. Nee.

Echte laboratoriumgegevens zijn:

Multimodale generatieve systemen kunnen de volgende elementen combineren:

Als het werkt, is het fantastisch. Je kunt patronen ontdekken die niet direct voor de hand liggen en experimenten voorstellen die een individuele specialist misschien over het hoofd zou zien.

Als het mislukt, mislukt het geruisloos. De deur wordt niet dichtgeslagen. Het stuurt je slechts subtiel richting een zelfverzekerde, maar onjuiste conclusie. Daarom zijn governance, validatie en domeinbeoordeling niet optioneel. Handleiding voor clinici (hallucinaties) npj Digitale geneeskunde 2025 (hallucinatie + veiligheidskader)

Risico's, beperkingen en het gedeelte "laat je niet misleiden door een vloeiende output" ⚠️

Als je maar één ding onthoudt, onthoud dan dit: generatieve AI is overtuigend. Het kan juist klinken, terwijl het onjuist is. Handleiding voor clinici (hallucinaties)

Belangrijkste risico's:

Praktische maatregelen ter beperking van de risico's:

  • Betrek mensen bij het besluitvormingsproces

  • Registreer prompts en uitvoer voor traceerbaarheid

  • valideren met orthogonale methoden (testen, alternatieve modellen)

  • Beperkingen en filters automatisch afdwingen

  • Beschouw de resultaten als hypothesen, niet als waarheidsgetrouwe documenten (OECD QSAR-richtlijnen).

Generatieve AI is een krachtig hulpmiddel. Krachtige hulpmiddelen maken je geen timmerman... ze zorgen er alleen voor dat je sneller fouten maakt als je niet weet wat je doet.

Hoe teams generatieve AI implementeren zonder chaos 🧩🛠️

Teams willen dit vaak gebruiken zonder de organisatie in een wetenschapsbeurs te veranderen. Een praktisch implementatieplan ziet er als volgt uit:

Onderschat ook de cultuur niet. Als chemici het gevoel hebben dat AI hen opgedrongen wordt, zullen ze het negeren. Maar als het hen tijd bespaart en hun expertise respecteert, zullen ze het snel omarmen. Mensen zijn nu eenmaal zo 🙂.

Wat is de rol van generatieve AI in geneesmiddelenontwikkeling als je het grotere plaatje bekijkt? 🔭

Vanuit een breder perspectief bezien, is de rol niet "wetenschappers vervangen", maar "de wetenschappelijke capaciteit vergroten". Nature 2023 (overzicht van ligandontdekkingen)

Het helpt teams:

  • Onderzoek wekelijks meer hypothesen

  • meer kandidaatstructuren per cyclus voorstellen

  • experimenten slimmer prioriteren

  • Verkort iteratielussen tussen ontwerp en test

  • Kennis delen tussen verschillende vakgebieden - Patterns 2025 (LLM's in geneesmiddelenonderzoek)

En misschien wel het meest onderschatte aspect: het helpt je om niet te verspillen aan repetitieve taken. Mensen zouden moeten nadenken over mechanisme, strategie en interpretatie – in plaats van dagenlang handmatig variantenlijsten te genereren. Nature 2023 (ligand discovery review)

Dus ja, de rol van generatieve AI in geneesmiddelenontwikkeling is die van een versneller, een generator, een filter en soms een onruststoker. Maar wel een waardevolle.

Afsluitende samenvatting 🧾✅

Generatieve AI wordt een essentiële vaardigheid in de moderne geneesmiddelenontwikkeling, omdat het moleculen, hypothesen, sequenties en routes sneller kan genereren dan mensen – en het kan teams helpen betere experimenten te kiezen. ( Review in Frontiers in Drug Discovery 2024, Nature 2023 (review over ligandontdekking))

Samenvattende punten:

Als je het behandelt als een samenwerkingspartner – en niet als een orakel – kan het programma's echt vooruit helpen. En als je het als een orakel behandelt… tja, dan loop je misschien wel weer achter die GPS aan het meer in. 🚗🌊

Veelgestelde vragen

Wat is de rol van generatieve AI bij de ontwikkeling van nieuwe geneesmiddelen?

Generatieve AI verbreedt vooral de ideeënstroom in de vroege fase van ontdekking en leadoptimalisatie door kandidaatmoleculen, eiwitsequenties, syntheseroutes en biologische hypothesen voor te stellen. De waarde zit hem minder in het "vervangen van experimenten" en meer in het "kiezen van betere experimenten" door veel opties te genereren en deze vervolgens streng te filteren. Het werkt het beste als een accelerator binnen een gedisciplineerde workflow, niet als een op zichzelf staande beslissingsmaker.

In welk deel van het geneesmiddelenontwikkelingsproces presteert generatieve AI het best?

Het levert doorgaans de meeste waarde op wanneer de hypotheseruimte groot is en iteratie kostbaar is, zoals bij het identificeren van potentiële geneesmiddelen, het ontwerpen van nieuwe geneesmiddelen en het optimaliseren van leads. Teams gebruiken het ook voor ADMET-triage, suggesties voor retrosynthese en literatuuronderzoek ter ondersteuning van hypothesen. De grootste winst wordt meestal behaald door het integreren van generatie met filters, scoring en menselijke beoordeling, in plaats van te verwachten dat één enkel model "slim" is

Hoe stel je beperkingen in zodat generatieve modellen geen nutteloze moleculen produceren?

Een praktische aanpak is om beperkingen te definiëren vóór de generatie: eigenschapsbereiken (zoals oplosbaarheid of logP-doelen), regels voor de basisstructuur of substructuur, kenmerken van de bindingsplaats en nieuwheidslimieten. Vervolgens kunnen filters voor medicinale chemie (inclusief PAINS/reactieve groepen) en controles op synthetiseerbaarheid worden toegepast. Generatie op basis van beperkingen is met name nuttig bij moleculair ontwerp in diffusiestijl en frameworks zoals REINVENT 4, waar doelen met meerdere doelstellingen kunnen worden gecodeerd.

Hoe moeten teams de resultaten van GenAI valideren om illusies en overmoed te voorkomen?

Beschouw elke output als een hypothese, niet als een conclusie, en valideer deze met behulp van analyses en orthogonale modellen. Genereer paren met agressieve filtering, docking of scoring waar nodig, en controleer het toepassingsgebied voor QSAR-achtige voorspellers. Maak onzekerheid waar mogelijk zichtbaar, omdat modellen met een gerust hart onjuist kunnen zijn bij chemische reacties buiten het normale bereik of bij wankele biologische beweringen. Beoordeling door een mens blijft een essentieel veiligheidsaspect.

Hoe kun je datalekken, risico's voor intellectueel eigendom en "opgeslagen" resultaten voorkomen?

Gebruik governance- en toegangscontroles om te voorkomen dat gevoelige programmadetails zomaar in prompts terechtkomen, en registreer prompts/uitvoer voor traceerbaarheid. Voer nieuwheids- en gelijkeniscontroles uit, zodat gegenereerde kandidaten niet te veel lijken op bekende verbindingen of beschermde gebieden. Hanteer duidelijke regels over welke gegevens in externe systemen zijn toegestaan ​​en geef de voorkeur aan gecontroleerde omgevingen voor werkzaamheden met hoge gevoeligheid. Menselijke controle helpt om suggesties die te veel op bekende stoffen lijken vroegtijdig te signaleren.

Hoe wordt generatieve AI gebruikt voor leadoptimalisatie en multi-parameter tuning?

Bij leadoptimalisatie is generatieve AI waardevol omdat het meerdere afwegingsoplossingen kan voorstellen in plaats van te streven naar één "perfecte" verbinding. Gangbare workflows omvatten suggesties voor analogen, geleide substituentscanning en scaffold hopping wanneer potentie, toxiciteit of IP-beperkingen de voortgang belemmeren. Voorspellers van eigenschappen kunnen kwetsbaar zijn, dus teams rangschikken kandidaten doorgaans met behulp van meerdere modellen en bevestigen vervolgens de beste opties experimenteel.

Kan generatieve AI ook helpen bij de ontwikkeling van biologische geneesmiddelen en eiwitengineering?

Ja, teams gebruiken het voor het genereren van antilichaamsequenties, ideeën voor affiniteitsrijping, stabiliteitsverbeteringen en onderzoek naar enzymen of peptiden. Het genereren van eiwitten/sequenties kan plausibel lijken zonder dat ze daadwerkelijk ontwikkelbaar zijn, dus het is belangrijk om filters toe te passen voor ontwikkelbaarheid, immunogeniteit en produceerbaarheid. Structurele tools zoals AlphaFold kunnen de redenering ondersteunen, maar een "plausibele structuur" is nog steeds geen bewijs van expressie, functie of veiligheid. Laboratoriumexperimenten blijven essentieel.

Hoe ondersteunt generatieve AI syntheseplanning en retrosynthese?

Retrosyntheseplanners kunnen suggesties doen voor reactieroutes, uitgangsmaterialen en routerangschikkingen om de ideeënvorming te versnellen en onhaalbare paden snel uit te sluiten. Tools en benaderingen zoals planning in de stijl van AiZynthFinder zijn het meest effectief in combinatie met praktische haalbaarheidschecks door chemici. Beschikbaarheid, veiligheid, schaalbeperkingen en "papieren reacties" die in de praktijk mislukken, vereisen nog steeds menselijk oordeel. Op deze manier gebruikt, bespaart het tijd zonder te doen alsof de chemie volledig is opgelost.

Referenties

  1. Nature - Overzicht van ligandontdekkingen (2023) - nature.com

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

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

  4. Natuur - RFdiffusie (2023) - nature.com

  5. Nature Biotechnology - ProteinGenerator (2024) - nature.com

  6. Nature Communications - Batch-effecten in celbeeldvorming (2024) - nature.com

  7. npj Digitale Geneeskunde - Hallucinatie + veiligheidskader (2025) - nature.com

  8. npj Digitale Geneeskunde - Multimodale toepassing in de biotechnologie (2025) - nature.com

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

  10. Cell Patterns - LLMs in drug discovery (2025) - cell.com

  11. ScienceDirect (Elsevier) - Generatieve modellen in de novo geneesmiddelenontwerp (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): zorgen over nieuwheid/uniciteit - sciencedirect.com

  13. Medische beeldanalyse (ScienceDirect) - Multimodale AI in de geneeskunde (2025) - sciencedirect.com

  14. PubMed Central - Handleiding voor artsen (risico op hallucinaties) - nih.gov

  15. Verslagen van chemisch onderzoek (ACS-publicaties) - Chemische ruimte (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): chemische ruimteschaal - nih.gov

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

  18. Tijdschrift voor chemische informatie en modellering (ACS Publications) - Diffusiemodellen in de novo geneesmiddelenontwerp (2024) - acs.org

  19. PubMed Central - REINVENT 4 (open framework) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (vroegtijdige ADMET-metingen zijn belangrijk) - nih.gov

  21. OESO - Principes voor de validatie van (Q)SAR-modellen voor regelgevingsdoeleinden - oecd.org

  22. OECD - Richtlijnen voor de validatie van (Q)SAR-modellen - oecd.org

  23. Accounts of Chemical Research (ACS Publications) - Computer-aided synthesis planning / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Computerondersteunde retrosynthese (Coley, 2017) - acs.org

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

  26. PubMed - Lipinski: Regel van 5 context - nih.gov

  27. Tijdschrift voor medicinale chemie (ACS Publications) - Baell & Holloway (2010): Pijn - acs.org

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

  29. PubMed - Rives (2021): eiwittaalmodellen - nih.gov

  30. PubMed Central - Leek et al. (2010): batch-effecten - nih.gov

  31. PubMed Central - Diffusieoverzicht (2025) - nih.gov

  32. FDA - E14 en S7B: klinische en niet-klinische evaluatie van QT/QTc-intervalverlenging en proaritmisch potentieel (Q&A) - fda.gov

  33. Europees Geneesmiddelenagentschap - ICH-richtlijn E14/S7B overzicht - europa.eu

  34. USENIX - Carlini et al. (2021): trainingsgegevens extraheren uit taalmodellen - usenix.org

  35. Universiteit van Edinburgh – Digitale Onderzoeksdiensten - Bron voor elektronisch laboratoriumnotitieboek (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): QSAR-toepassingsgebied - sciencedirect.com

Vind de nieuwste AI in de officiële AI Assistant Store

Over ons

Terug naar de blog