인공지는(AI)을 활요한 신약개발연구 동향
2021-08-30
org.kosen.entty.User@22a2090a
이재현(jaelee122)
인공지능 (AI)을 활용한 신약개발연구 동향
이재현 jaelee122@hanmail net
한국산업기술진흥협회
Key words
영문 키워드: Artificial Intelligent (AI), Drug design, AI tools, Interaction, Prediction
한글 키워드: 인공지능, 신약설계, AI 도구들, 상호작용, 예측
1. 서론
.인공지능(AI)이 가미된 신약개발이 제약업계의 혁명적 변화를 가져오고 있다. 기초부터 임상까지의 약제개발에 관여하는 인공지능은 약물의 합리적 설계[1], 의사결정 보조, 환자에 맞춤형 약제를 포함하는 맞춤치료, 임상 데이터의 관리 및 장차 약물개발 활용에 큰 도움을 준다[2]. E-VAI는 Eularis가 개발한 AI 플랫폼으로 기계학습(ML) 알고리즘을 이용하여 분석 및 의사결정을 돕는다. 이를 이용하면 경영진 및 실무자들이 부진한 판매를 극복하여 최대 시장점유율을 확보할 수 있으며 투자시기를 알 수 있다. 약제개발에 이용하는 약제개발부터 관리에 활용하는 여러 AI의 각부분을 아래 그림 1에 표시하였다[3]
그림 1 제약업계 각 부분에 이용되는 AI[3]
표 1 그림 1. 주요 제약회사와 AI 회사들의 협력 상태
2. 신약개발에서 AI
현재까지 약 >1060 개의 분자들이 알려져 있으나 신약개발에 필요한 발전된 방법이 없어 개발은시간 낭비이며 많은 비용이 들어간다. 반면 컴퓨터를 이용한 방법이 비용을 크게 절감하였다. 세계적으로 약제개발 정보시장은 2016년에 $713.4백만어었으며 2025년에는 12.6%가 증가한다고 한다. 최근 이것을 AI가 다룰 수 있게 되고[4] hit 및 선도화합물을 인식하여 약물의 표적과 구조설계를 최적화하게 되었다[5]. Bekryl의 Global Artificial Intelligence in Drug Discovery Market Size Analysis, 2018-2028[6]에 의하면 AI가 2028년에는 $70억의 개발비용을 줄일 것이라고 한다. 이에 발 맞추어 위 표 1에서와 같이 제약업계와 AI관련 업계들이 협력하고 있다.
AI는 약물분자 설계에서 표적 단백질의 3D 구조를 예측하고, 약리학에서 바이오 특정 약물분자들을 설계하며 다수표적 약물분자들을 설계한다. 또한 AI는 합성면에서 반응 수율을 예측하고 역합성 (retrosynthesis) 경로를 예측할 수 있으며, 반응기전을 파악하여 합성경로를 설계한다. 약제 재사용면에서 AI는 치료표적을 확인하여 새로운 치료제로서의 사용을 예측한다. 약물 스크리닝 검사에서 독성, 신체선택성 및 약제의 물리화학적 특성을 예측할 수 있고, 표적세포들의 분류 및 확인을 할 수 있다. 아래 표 2에 사용하는 AI 도구들을 열거하였다. 다음은 상기 몇몇 분야에서 AI역할에 대하여 자세히 설명하고자 한다.
표 2 신약개발에 이용하는 AI 도구들[3]
2.1. 선도화합물 발견
아래 그림 2에서와 같이 convolutional neural network (CNN)로 약물표적의 활성영역 구조를 알 수 있으며, 이를 바탕으로 선도화합물을 만들 수 있다[7]. 구조에 근거한 발견과정인 CNN은 여러 화학 데이터베이스에서 적절한 리드를 찾아 단백질-리간드 상호작용 (즉 친화성)을 계산하여 hit 리스트를 작성한다. 새로운 선도화합물 발견에서 두개의 CNN을 사용할 수 있다. 한 CNN (즉 generator)는 생리활성 구조정보로 리간들을 만들 수 있고, 다른 하나의 CNN (즉 discriminator)는 서열을 메기기 위하여 이 리간드들의 단백질-리간드 상호작용을 평가한다[8]. 그 외에 선도화합물 발견을 위한 AI 도구로 phyton-based AI 시스템 DeepChem [9], 또 다른 phyton-based 시스템으로 분자활성을 탐색하는 도구로 DeepNeuralNetQSAR이 있다[10].
그림 2. AI에 의한 선도화합물 (ligand) 발견[7]
.2. 물리화학적 특성예측
표적에 결합하는 일련의 강력한 화합물들이 확인 된후 생체내에서 동태를 조절하는 이들의 특성이 최적화 되어야한다. 따라서 약물동태학 특성들 즉, abssortion, distribution, metabolism (ADME) 특성과 독성효과가 개선되어야한다. 여러 예에서 보듯이[11] AI에 의한 특성예측은 흥미로운 면이 있다. 또한 물리화학적 특성, 즉, 용해도, 분배계수 (logP), 이온화정도 및 약물의 내재적인 삼투성 등의 약동태학 특성이 간접적으로 영향을 끼친다. 따라서 이들을 약제설계 때에 고려하여야 한다[12]. 여러 AI도구들, 예를 들면 ML (기계학습) 화합물 최적화에 사용한 큰 데이터세트를 사용하여 프로그램을 교육할 수 있다.
2.3. 생리활성의 예측
약물분자의 효능은 이들의 표적단백질 혹은 수용체에 대한 친화성에 달려있다. 이것이 없으면 치료반응이 없다. 어떤 경우는 이들이 원치 않는 단백질 또는 수용체에 상호작용하여 독성을 야기한다. 따라서 약물표적 결합친화성 (drug target binding affinity, DTBA)이 약물-표적 상호작용에 필수적이다. AI에 근거한 방법들은 약물과 표적의 유사성 혹은 특성에 따라 결합친화성을 측정할 수 있다. 특성에 근거한 상호작용은 약물의 화학적 잔기들과 표적을 인식하여 특성벡터들을 결정한다. 반대로 유사성에 근거한 상호작용은 약물과 표적의 유사성을 고려한다. 유사한 약물은 유사한 표적과 상호작용하다[13]. 소프트웨어로 ChemMappe 및 유사성 조합방법 (similarity ensemble approach, SEA)으로 약물-표적 상호작용을 예측할 수 있다[14].
2.4. 독성예측
약물의 독성을 피하기 위하여 약제 독성의 예측이 필수 적이다. 초기 연구로 세포에 근거한 in vitro 시험을 사용하며, 이어서 독성을 확인하기 위하여 동물시험을 하는데 이는 비용이 많이 든다. 여러 웹-근거한 도구들, 즉 Limtox, pkCSM, admetSAR alc Toxtree 등이 비용을 절감할 수 있다[15]. DeepTox는 이미 알려진 2500개의 독성을 가진 물질에 근거하여 분자들의 독성을 예측한다[16].
2.5 약물-단백질의 상호작용 예측
임상에서 성공은 약물-단백질 상호작용이 필수 적이다. 약물과 수용체 혹은 단백질의 상호작용은 효과와 효능을 이해하는데 필수로, 약물의 재창출을 가능하게 하고, 약물의 다제병용을 막는다[17]. Wang등은 SVM 방법을 이용하여 일차 단백질 서열에 근거하고 저분자들의 구조특성을 이용한 15000개의 단백질-리간드 상호작용을 활용하 9개의 새 화합물을 얻고, 4개의 중요한 표적과의 상호작용을 밝혔다[18].
2.6. 임상시험 설계에서의 AI
임상시험은 인간의 특정 질병조건에서 약물의 효과와 안정성을 입증하며, 보통 6-7년이 소용되어 재정적 부담이 크다. 그러나 10개 분자 중 1개의 분자가 성공적인 승인을 얻어 업계에 큰 부담이 된다. 이러한 실패는 부적절한 환자들의 선택, 기술적 요구사항들의 부족 및 빈약한 회사구조에 기인한다. 그러나 광범위한 의료 데이터가 존재하는 만큼, AI의 보충으로 실패를 줄일 수 있다[19].
3. 제품개발 및 생산 에서의 AI
새로운 약물분자의 발견은 사후 조치로 원하는 전달 특성과 함께, 약물의 적절한 양의 데이터가 필요하다. 이 분야에서 AI는 기존의 시행착오를 개선할 수 있다. QSPR과 같은 다양한 컴퓨터 도구들이 이문제를 해결하여 조제설계에서 안정성 문제, 용해성, 투과성 등의 문제를 해결한다 [20].
생산프로세스의 복잡성 증가와 효율 및 제품의 질적 향상을 위하여 근래의 생산 시스템들은 인간
지식을 기계에 활용하며 계속적으로 생산과정을 변화시킨다. 생산에서 AI의 도입은 제약업계를
고무시킨다. CFE와 같은 도구는 Raynolds-Averaged Naavier-Stockes 해결기술로 모든 장비의 (예
로 교반 탱크)의 교반 및 스트레스 효과를 연구하여 많은 제약작업의 자동화를 돕는다. 수적 모의
실험 및 소용돌이 모의 시험은 생산에서 복잡한 흐름문제를 해결한다[21].
5. 결론 및 전망
훌륭한 도구로서 인공지능의 발전은 제약업체들이 당면한 문제들을 경감시키고, 이 분야의 제품수의 증가에서 보듯이 제품의 전체적인 수명과 함께 약제 개발에 큰 영향을 미친다. 현재 보건분야는 약제들의 비용 및 치료에서 여러 복잡한 도전에 직면하고 있다. 약제 생산, 원하는 약용량으로 맞춤의학, 및 약물의 방출 등등을 개인환자의 요구에 따라 생산하는 데에 인공지능 기술을 포함시킬 수 있다 [ ]. 최신의 인공지능 기술을 사용하여 약품의 시판을 앞당길 뿐만 아니라 제품의 질을 향상하고, 생산과정에 전체적인 안정성 및 효과적인 가성비로 자원을 좀더 널리 활용할 수 있다. 또한 이렇게 함으로서, 자동화의 중요성을 부각시킬 수도 있다.
References
1. Blasiak, A. et al. (2020) CURATE. AI: optimizing personalized medicine with artificial intelligence. SLAS Technol. 25, 95–105
2. Baronzio, G. et al. (2015) Overview of methods for overcoming hindrance to drug delivery to tumors, with special attention to tumor interstitial fluid. Front. Oncol. 5, 165
3. Debleena Paul et al., Artificial intelligence in drug discovery and development, Drug Discovery Today, Volume 26, Number 1 January 2021
4. Vyas, M. et al. (2018) Artificial intelligence: the beginning of a new era in pharmacy profession. Asian J. Pharm. 12, 72–76
5. Sellwood, M.A. et al. (2018) Artificial intelligence in drug discovery. Fut. Sci. 10, 2025–2028
6. Global Artificial Intelligence in Drug Discovery Market Size Analysis, 2018-2028
7. Saifur R. Khan, Dana Al Rijjal, Anthony Pior, Michael Wheeler, Integration of AI and traditional medicine in drug discovery, drug discovery today, vol. 26, No 4, 982-992
8. Ragoza, M. et al. (2017) Protein-ligand scoring with convolutional neural networks. J. Chem. Inf. Model. 57, 942–957
9. Zhu, H. (2020) Big data and artificial intelligence modeling for drug discovery. Annu. Rev. Pharmacol. Toxicol. 60, 573–589
10. Chan, H.S. et al. (2019) Advancing drug discovery via artificial intelligence. Trends Pharmacol. Sci. 40 (8), 592–604
11. Zang, Q. et al. (2017) In silico prediction of physicochemical properties of environmental chemicals using molecular fingerprints and machine learning. J. Chem. Inf. Model. 57, 36–49
12. Yang, X. et al. (2019) Concepts of artificial intelligence for computer-assisted drug discovery. Chem. Rev. 119, 10520–10594
13. Ozturk, H. et al. (2018) DeepDTA: deep drug–target binding affinity prediction. Bioinformatics 821–i829
14. Lounkine, E. et al. (2012) Large-scale prediction and testing of drug activity on side-effect targets. Nature 486, 361–367
15. Yang, X. et al. (2019) Concepts of artificial intelligence for computer-assisted drug discovery. Chem. Rev. 119, 10520–10594
16. Mayr, A. et al. (2016) DeepTox: toxicity prediction using deep learning. Frontiers Environ. Sci. 3, 80
17. Wan, F. and Zeng, J. (2016) Deep learning with feature embedding for compound protein interaction prediction. bioRxiv 2016, 086033
18. Wang, F. et al. (2011) Computational screening for active compounds targeting protein sequences: methodology and experimental validation. J. Chem. Inf. Model. 51, 2821–2828
19. Harrer, S. et al. (2019) Artificial intelligence for clinical trial design. Trends Pharmacol. Sci. 40, 577–591
20. Mehta, C.H. et al. (2019) Computational modeling for formulation design. Drug Discovery Today 24, 781–788
21. Rantanen, J. and Khinast, J. (2015) The future of pharmaceutical manufacturing
sciences. J. Pharm. Sci. 104, 3612–3638
이재현 jaelee122@hanmail net
한국산업기술진흥협회
Key words
영문 키워드: Artificial Intelligent (AI), Drug design, AI tools, Interaction, Prediction
한글 키워드: 인공지능, 신약설계, AI 도구들, 상호작용, 예측
1. 서론
.인공지능(AI)이 가미된 신약개발이 제약업계의 혁명적 변화를 가져오고 있다. 기초부터 임상까지의 약제개발에 관여하는 인공지능은 약물의 합리적 설계[1], 의사결정 보조, 환자에 맞춤형 약제를 포함하는 맞춤치료, 임상 데이터의 관리 및 장차 약물개발 활용에 큰 도움을 준다[2]. E-VAI는 Eularis가 개발한 AI 플랫폼으로 기계학습(ML) 알고리즘을 이용하여 분석 및 의사결정을 돕는다. 이를 이용하면 경영진 및 실무자들이 부진한 판매를 극복하여 최대 시장점유율을 확보할 수 있으며 투자시기를 알 수 있다. 약제개발에 이용하는 약제개발부터 관리에 활용하는 여러 AI의 각부분을 아래 그림 1에 표시하였다[3]
그림 1 제약업계 각 부분에 이용되는 AI[3]
표 1 그림 1. 주요 제약회사와 AI 회사들의 협력 상태
2. 신약개발에서 AI
현재까지 약 >1060 개의 분자들이 알려져 있으나 신약개발에 필요한 발전된 방법이 없어 개발은시간 낭비이며 많은 비용이 들어간다. 반면 컴퓨터를 이용한 방법이 비용을 크게 절감하였다. 세계적으로 약제개발 정보시장은 2016년에 $713.4백만어었으며 2025년에는 12.6%가 증가한다고 한다. 최근 이것을 AI가 다룰 수 있게 되고[4] hit 및 선도화합물을 인식하여 약물의 표적과 구조설계를 최적화하게 되었다[5]. Bekryl의 Global Artificial Intelligence in Drug Discovery Market Size Analysis, 2018-2028[6]에 의하면 AI가 2028년에는 $70억의 개발비용을 줄일 것이라고 한다. 이에 발 맞추어 위 표 1에서와 같이 제약업계와 AI관련 업계들이 협력하고 있다.
AI는 약물분자 설계에서 표적 단백질의 3D 구조를 예측하고, 약리학에서 바이오 특정 약물분자들을 설계하며 다수표적 약물분자들을 설계한다. 또한 AI는 합성면에서 반응 수율을 예측하고 역합성 (retrosynthesis) 경로를 예측할 수 있으며, 반응기전을 파악하여 합성경로를 설계한다. 약제 재사용면에서 AI는 치료표적을 확인하여 새로운 치료제로서의 사용을 예측한다. 약물 스크리닝 검사에서 독성, 신체선택성 및 약제의 물리화학적 특성을 예측할 수 있고, 표적세포들의 분류 및 확인을 할 수 있다. 아래 표 2에 사용하는 AI 도구들을 열거하였다. 다음은 상기 몇몇 분야에서 AI역할에 대하여 자세히 설명하고자 한다.
표 2 신약개발에 이용하는 AI 도구들[3]
2.1. 선도화합물 발견
아래 그림 2에서와 같이 convolutional neural network (CNN)로 약물표적의 활성영역 구조를 알 수 있으며, 이를 바탕으로 선도화합물을 만들 수 있다[7]. 구조에 근거한 발견과정인 CNN은 여러 화학 데이터베이스에서 적절한 리드를 찾아 단백질-리간드 상호작용 (즉 친화성)을 계산하여 hit 리스트를 작성한다. 새로운 선도화합물 발견에서 두개의 CNN을 사용할 수 있다. 한 CNN (즉 generator)는 생리활성 구조정보로 리간들을 만들 수 있고, 다른 하나의 CNN (즉 discriminator)는 서열을 메기기 위하여 이 리간드들의 단백질-리간드 상호작용을 평가한다[8]. 그 외에 선도화합물 발견을 위한 AI 도구로 phyton-based AI 시스템 DeepChem [9], 또 다른 phyton-based 시스템으로 분자활성을 탐색하는 도구로 DeepNeuralNetQSAR이 있다[10].
그림 2. AI에 의한 선도화합물 (ligand) 발견[7]
.2. 물리화학적 특성예측
표적에 결합하는 일련의 강력한 화합물들이 확인 된후 생체내에서 동태를 조절하는 이들의 특성이 최적화 되어야한다. 따라서 약물동태학 특성들 즉, abssortion, distribution, metabolism (ADME) 특성과 독성효과가 개선되어야한다. 여러 예에서 보듯이[11] AI에 의한 특성예측은 흥미로운 면이 있다. 또한 물리화학적 특성, 즉, 용해도, 분배계수 (logP), 이온화정도 및 약물의 내재적인 삼투성 등의 약동태학 특성이 간접적으로 영향을 끼친다. 따라서 이들을 약제설계 때에 고려하여야 한다[12]. 여러 AI도구들, 예를 들면 ML (기계학습) 화합물 최적화에 사용한 큰 데이터세트를 사용하여 프로그램을 교육할 수 있다.
2.3. 생리활성의 예측
약물분자의 효능은 이들의 표적단백질 혹은 수용체에 대한 친화성에 달려있다. 이것이 없으면 치료반응이 없다. 어떤 경우는 이들이 원치 않는 단백질 또는 수용체에 상호작용하여 독성을 야기한다. 따라서 약물표적 결합친화성 (drug target binding affinity, DTBA)이 약물-표적 상호작용에 필수적이다. AI에 근거한 방법들은 약물과 표적의 유사성 혹은 특성에 따라 결합친화성을 측정할 수 있다. 특성에 근거한 상호작용은 약물의 화학적 잔기들과 표적을 인식하여 특성벡터들을 결정한다. 반대로 유사성에 근거한 상호작용은 약물과 표적의 유사성을 고려한다. 유사한 약물은 유사한 표적과 상호작용하다[13]. 소프트웨어로 ChemMappe 및 유사성 조합방법 (similarity ensemble approach, SEA)으로 약물-표적 상호작용을 예측할 수 있다[14].
2.4. 독성예측
약물의 독성을 피하기 위하여 약제 독성의 예측이 필수 적이다. 초기 연구로 세포에 근거한 in vitro 시험을 사용하며, 이어서 독성을 확인하기 위하여 동물시험을 하는데 이는 비용이 많이 든다. 여러 웹-근거한 도구들, 즉 Limtox, pkCSM, admetSAR alc Toxtree 등이 비용을 절감할 수 있다[15]. DeepTox는 이미 알려진 2500개의 독성을 가진 물질에 근거하여 분자들의 독성을 예측한다[16].
2.5 약물-단백질의 상호작용 예측
임상에서 성공은 약물-단백질 상호작용이 필수 적이다. 약물과 수용체 혹은 단백질의 상호작용은 효과와 효능을 이해하는데 필수로, 약물의 재창출을 가능하게 하고, 약물의 다제병용을 막는다[17]. Wang등은 SVM 방법을 이용하여 일차 단백질 서열에 근거하고 저분자들의 구조특성을 이용한 15000개의 단백질-리간드 상호작용을 활용하 9개의 새 화합물을 얻고, 4개의 중요한 표적과의 상호작용을 밝혔다[18].
2.6. 임상시험 설계에서의 AI
임상시험은 인간의 특정 질병조건에서 약물의 효과와 안정성을 입증하며, 보통 6-7년이 소용되어 재정적 부담이 크다. 그러나 10개 분자 중 1개의 분자가 성공적인 승인을 얻어 업계에 큰 부담이 된다. 이러한 실패는 부적절한 환자들의 선택, 기술적 요구사항들의 부족 및 빈약한 회사구조에 기인한다. 그러나 광범위한 의료 데이터가 존재하는 만큼, AI의 보충으로 실패를 줄일 수 있다[19].
3. 제품개발 및 생산 에서의 AI
새로운 약물분자의 발견은 사후 조치로 원하는 전달 특성과 함께, 약물의 적절한 양의 데이터가 필요하다. 이 분야에서 AI는 기존의 시행착오를 개선할 수 있다. QSPR과 같은 다양한 컴퓨터 도구들이 이문제를 해결하여 조제설계에서 안정성 문제, 용해성, 투과성 등의 문제를 해결한다 [20].
생산프로세스의 복잡성 증가와 효율 및 제품의 질적 향상을 위하여 근래의 생산 시스템들은 인간
지식을 기계에 활용하며 계속적으로 생산과정을 변화시킨다. 생산에서 AI의 도입은 제약업계를
고무시킨다. CFE와 같은 도구는 Raynolds-Averaged Naavier-Stockes 해결기술로 모든 장비의 (예
로 교반 탱크)의 교반 및 스트레스 효과를 연구하여 많은 제약작업의 자동화를 돕는다. 수적 모의
실험 및 소용돌이 모의 시험은 생산에서 복잡한 흐름문제를 해결한다[21].
5. 결론 및 전망
훌륭한 도구로서 인공지능의 발전은 제약업체들이 당면한 문제들을 경감시키고, 이 분야의 제품수의 증가에서 보듯이 제품의 전체적인 수명과 함께 약제 개발에 큰 영향을 미친다. 현재 보건분야는 약제들의 비용 및 치료에서 여러 복잡한 도전에 직면하고 있다. 약제 생산, 원하는 약용량으로 맞춤의학, 및 약물의 방출 등등을 개인환자의 요구에 따라 생산하는 데에 인공지능 기술을 포함시킬 수 있다 [ ]. 최신의 인공지능 기술을 사용하여 약품의 시판을 앞당길 뿐만 아니라 제품의 질을 향상하고, 생산과정에 전체적인 안정성 및 효과적인 가성비로 자원을 좀더 널리 활용할 수 있다. 또한 이렇게 함으로서, 자동화의 중요성을 부각시킬 수도 있다.
References
1. Blasiak, A. et al. (2020) CURATE. AI: optimizing personalized medicine with artificial intelligence. SLAS Technol. 25, 95–105
2. Baronzio, G. et al. (2015) Overview of methods for overcoming hindrance to drug delivery to tumors, with special attention to tumor interstitial fluid. Front. Oncol. 5, 165
3. Debleena Paul et al., Artificial intelligence in drug discovery and development, Drug Discovery Today, Volume 26, Number 1 January 2021
4. Vyas, M. et al. (2018) Artificial intelligence: the beginning of a new era in pharmacy profession. Asian J. Pharm. 12, 72–76
5. Sellwood, M.A. et al. (2018) Artificial intelligence in drug discovery. Fut. Sci. 10, 2025–2028
6. Global Artificial Intelligence in Drug Discovery Market Size Analysis, 2018-2028
7. Saifur R. Khan, Dana Al Rijjal, Anthony Pior, Michael Wheeler, Integration of AI and traditional medicine in drug discovery, drug discovery today, vol. 26, No 4, 982-992
8. Ragoza, M. et al. (2017) Protein-ligand scoring with convolutional neural networks. J. Chem. Inf. Model. 57, 942–957
9. Zhu, H. (2020) Big data and artificial intelligence modeling for drug discovery. Annu. Rev. Pharmacol. Toxicol. 60, 573–589
10. Chan, H.S. et al. (2019) Advancing drug discovery via artificial intelligence. Trends Pharmacol. Sci. 40 (8), 592–604
11. Zang, Q. et al. (2017) In silico prediction of physicochemical properties of environmental chemicals using molecular fingerprints and machine learning. J. Chem. Inf. Model. 57, 36–49
12. Yang, X. et al. (2019) Concepts of artificial intelligence for computer-assisted drug discovery. Chem. Rev. 119, 10520–10594
13. Ozturk, H. et al. (2018) DeepDTA: deep drug–target binding affinity prediction. Bioinformatics 821–i829
14. Lounkine, E. et al. (2012) Large-scale prediction and testing of drug activity on side-effect targets. Nature 486, 361–367
15. Yang, X. et al. (2019) Concepts of artificial intelligence for computer-assisted drug discovery. Chem. Rev. 119, 10520–10594
16. Mayr, A. et al. (2016) DeepTox: toxicity prediction using deep learning. Frontiers Environ. Sci. 3, 80
17. Wan, F. and Zeng, J. (2016) Deep learning with feature embedding for compound protein interaction prediction. bioRxiv 2016, 086033
18. Wang, F. et al. (2011) Computational screening for active compounds targeting protein sequences: methodology and experimental validation. J. Chem. Inf. Model. 51, 2821–2828
19. Harrer, S. et al. (2019) Artificial intelligence for clinical trial design. Trends Pharmacol. Sci. 40, 577–591
20. Mehta, C.H. et al. (2019) Computational modeling for formulation design. Drug Discovery Today 24, 781–788
21. Rantanen, J. and Khinast, J. (2015) The future of pharmaceutical manufacturing
sciences. J. Pharm. Sci. 104, 3612–3638