Hvad er rollen af ​​generativ kunstig intelligens i lægemiddelforskning?

Hvad er rollen af ​​generativ kunstig intelligens i lægemiddelforskning?

Kort svar: Generativ AI accelererer primært tidlig lægemiddelforskning ved at generere kandidatmolekyler eller proteinsekvenser, foreslå synteseruter og fremlægge testbare hypoteser, så teams kan køre færre "blinde" eksperimenter. Den fungerer bedst, når man håndhæver hårde begrænsninger og validerer output; behandlet som et orakel kan den vildlede med hensyn til selvtillid.

Vigtige konklusioner:

Acceleration : Brug GenAI til at udvide idégenerering, og indsnævre derefter med grundig filtrering.

Begrænsninger : Kræver egenskabsintervaller, scaffold-regler og nyhedsgrænser før generering.

Validering : Behandl output som hypoteser; bekræft med assays og ortogonale modeller.

Sporbarhed : Logfør prompter, output og begrundelse, så beslutninger forbliver reviderbare og gennemgåelige.

Modstand mod misbrug : Forebyg lækage og overdreven selvtillid med styring, adgangskontrol og menneskelig gennemgang.

Hvad er rollen af ​​generativ kunstig intelligens i lægemiddelforskning? Infografik

Artikler du måske har lyst til at læse efter denne:

🔗 AI's rolle i sundhedsvæsenet
Hvordan AI forbedrer diagnose, arbejdsgange, patientpleje og resultater.

🔗 Vil AI erstatte radiologer?
Udforsker, hvordan automatisering forbedrer radiologi, og hvad der forbliver menneskeligt.

🔗 Vil AI erstatte læger?
Ærligt kig på AI's indflydelse på lægers arbejde og praksis.

🔗 De bedste AI-laboratorieværktøjer til videnskabelig opdagelse
De bedste AI-laboratorieværktøjer til at accelerere eksperimenter, analyser og opdagelser.

Rollen af ​​generativ AI i lægemiddelforskning, i ét åndedrag 😮💨

Generativ AI hjælper lægemiddelteams med at skabe kandidatmolekyler, forudsige egenskaber, foreslå modifikationer, foreslå synteseruter, udforske biologiske hypoteser og komprimere iterationscyklusser - især inden for tidlig opdagelse og leadoptimering. Nature 2023 (ligandopdagelsesgennemgang) Elsevier 2024 gennemgang (generative modeller i de novo lægemiddeldesign)

Og ja, det kan også med selvtillid generere nonsens. Det er en del af aftalen. Som en meget entusiastisk praktikant med en raketmotor. Klinikervejledning (hallucinationsrisiko) npj Digital Medicine 2025 (hallucination + sikkerhedsramme)

Hvorfor dette betyder mere, end folk indrømmer 💥

Meget opdagelsesarbejde er "søgning". Søg i det kemiske rum, søg i biologi, søg i litteratur, søg i struktur-funktion-forhold. Problemet er, at det kemiske rum ... stort set er uendeligt. Accounts of Chemical Research 2015 (kemisk rum) Irwin & Shoichet 2009 (kemisk rumskala)

Du kunne bruge flere liv på bare at prøve "rimelige" variationer.

Generativ AI ændrer arbejdsgangen fra:

  • "Lad os teste, hvad vi kan komme i tanke om"

til:

  • "Lad os generere et større og smartere sæt af muligheder, og derefter teste de bedste"

Det handler ikke om at eliminere eksperimenter. Det handler om at vælge bedre eksperimenter . 🧠 Nature 2023 (gennemgang af ligandopdagelse)

Derudover, og dette er underdiskuteret, hjælper det teams med at tale på tværs af discipliner . Kemikere, biologer, DMPK-folk, beregningsforskere ... alle har forskellige mentale modeller. Et ordentligt generativt system kan fungere som en fælles skitseblok. Frontiers in Drug Discovery 2024 anmeldelse

Hvad gør en god version af generativ AI til lægemiddelforskning? ✅

Ikke al generativ AI er skabt lige. En "god" version til dette område handler mindre om prangende demoer og mere om usexy pålidelighed (usexy er en dyd her). Nature 2023 (anmeldelse af ligandopdagelse)

En god generativ AI-opsætning har typisk:

Hvis din generative AI ikke kan håndtere begrænsninger, er den dybest set en generator af nyheder. Sjov til fester. Mindre sjov i et narkoprogram.

Hvor generativ AI passer ind i hele lægemiddelforskningspipelinen 🧭

Her er det simple mentale kort. Generativ AI kan bidrage til næsten alle faser, men den fungerer bedst, hvor iteration er dyr, og hypotesepladsen er enorm. Nature 2023 (ligandopdagelsesgennemgang)

Almindelige berøringspunkter:

I mange programmer kommer de største gevinster fra integration af arbejdsgange , ikke fra at en enkelt model er "genial". Modellen er motoren - pipelinen er bilen. Nature 2023 (gennemgang af ligandopdagelse)

Sammenligningstabel: populære generative AI-tilgange anvendt i lægemiddelforskning 📊

En lidt uperfekt tabel, fordi det virkelige liv er en smule uperfekt.

Værktøj / Tilgang Bedst for (publikum) Pris-agtig Hvorfor det virker (og hvornår det ikke virker)
De novo molekylegeneratorer (SMILES, grafer) Medicinsk kemi + komp. kemi $$-$$$ God til at udforske nye analoger hurtigt 😎 - men kan spytte ustabile misfits ud REINVENT 4 GENTRL (Nature Biotech 2019)
Protein-/strukturgeneratorer Biologiske teams, strukturel biologi $$$ Hjælper med at foreslå sekvenser + strukturer - men "ser plausibelt ud" er ikke det samme som "virker" AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Diffusionslignende molekylært design Avancerede ML-teams $$-$$$$ Stærk inden for begrænsningsbetingning og diversitet - opsætning kan være… en hel ting JCIM 2024 (diffusionsmodeller) PMC 2025 diffusionsgennemgang
Ejendomsforudsigelses-copiloter (QSAR + GenAI-kombination) DMPK, projektteams $$ God til triage og rangering - dårlig, hvis den behandles som evangeliet 😬 OECD (anvendelsesdomæne) ADMETlab 2.0
Retrosynteseplanlæggere Proceskemi, CMC $$-$$$ Fremskynder ruteidéudvikling - kræver stadig mennesker for gennemførlighed og sikkerhed AiZynthFinder 2020 Coley 2018 (CASP)
Multimodale laboratoriecopiloter (tekst + analysedata) Translationelle teams $$$ Nyttig til at trække signaler på tværs af datasæt - tilbøjelig til overdreven selvtillid, hvis dataene er ujævne. Nature 2024 (batcheffekter i cellebilleddannelse) npj Digital Medicine 2025 (multimodal i bioteknologi)
Litteratur- og hypoteseassistenter Alle, i praksis $ Reducerer læsetiden betydeligt - men hallucinationer kan være uhåndgribelige, som f.eks. sokker der forsvinder. Mønstre 2025 (LLM'er i lægemiddelforskning) Klinikervejledning (hallucinationer)
Brugerdefinerede fundamentmodeller Store farmaceutiske, velfinansierede bioteknologiske virksomheder $$$$ Bedste kontrol + integration - også dyr og langsom at bygge (undskyld, det er sandt) Frontiers in Drug Discovery 2024 anmeldelse

Bemærkninger: Prisen varierer meget afhængigt af skala, beregningsevne, licensering og om dit team ønsker "plug and play" eller "lad os bygge et rumskib"

Nærmere kig: Generativ AI til hitopdagelse og de novo design 🧩

Dette er den primære anvendelsesscene: generér kandidatmolekyler fra bunden (eller fra et scaffold), der matcher en målprofil. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Sådan fungerer det typisk i praksis:

  1. Definer begrænsninger

  2. Generer kandidater

  3. Filtrer aggressivt

  4. Vælg et lille sæt til syntese

    • Mennesker plukker stadig, fordi mennesker nogle gange kan lugte vrøvl

Den akavede sandhed: Værdien er ikke bare "nye molekyler". Det er nye molekyler, der giver mening i forhold til dit programs begrænsninger . Den sidste del er alt. Nature 2023 (gennemgang af ligandopdagelse)

Også en mild overdrivelse: Når det gøres godt, kan det føles som om, man har ansat et team af utrættelige juniorkemikere, der aldrig sover og aldrig klager. Men de forstår heller ikke, hvorfor en specifik beskyttelsesstrategi er et mareridt, så ... balance 😅.

Nærmere kig: Leadoptimering med generativ AI (multi-parameter tuning) 🎛️

Det er inden for leadoptimering, at drømme bliver komplicerede.

Du ønsker:

  • potens op

  • selektivitet op

  • metabolisk stabilitet op

  • opløselighed

  • sikkerhedssignaler ned

  • permeabilitet "lige tilpas"

  • OG stadig være syntetiserbar

Dette er klassisk multi-objektiv optimering. Generativ AI er usædvanligt god til at foreslå et sæt afvejningsløsninger i stedet for at lade som om, der er én perfekt forbindelse. REINVENT 4 Elsevier 2024 anmeldelse (generative modeller)

Praktiske måder, hvorpå teams bruger det:

  • Analogt forslag : "Lav 30 varianter, der reducerer clearance, men bevarer potensen"

  • Substituentscanning : guidet udforskning i stedet for brute-force-optælling

  • Stilladshopping : når en kerne rammer en væg (tox, IP eller stabilitet)

  • Forklarende forslag : "Denne polære gruppe kan muligvis forbedre opløseligheden, men kan skade permeabiliteten" (ikke altid korrekt, men nyttigt)

En advarsel: Egenskabsprædiktorer kan være skrøbelige. Hvis dine træningsdata ikke matcher din kemiske serie, kan modellen være helt sikkert forkert. Altså, meget forkert. Og den vil ikke rødme. OECD QSAR-valideringsprincipper (anvendelsesdomæne) Weaver 2008 (QSAR-anvendelsesdomæne)

Nærmere kig: ADMET, toksicitet og screening for "vær venlig ikke at aflive programmet" 🧯

Det er på ADMET, at mange kandidater stille og roligt fejler. Generativ AI løser ikke biologiproblemer, men den kan reducere undgåelige fejl. ADMETlab 2.0 Waring 2015 (frafald)

Almindelige roller:

  • forudsigelse af metaboliske forpligtelser (metabolismesteder, clearance-tendenser)

  • markering af sandsynlige toksicitetsmotiver (advarsler, proxyer for reaktive mellemprodukter)

  • estimering af opløseligheds- og permeabilitetsområder

  • forslag til ændringer for at reducere hERG-risiko eller forbedre stabiliteten 🧪 FDA (ICH E14/S7B Q&A) EMA (ICH E14/S7B oversigt)

Det mest effektive mønster har en tendens til at se sådan ud: brug GenAI til at foreslå muligheder, men brug specialiserede modeller og eksperimenter til at verificere.

Generativ AI er idégenereringsmotoren. Validering lever stadig i assays.

Nærmere kig: Generativ AI til biologiske lægemidler og proteinteknologi 🧬✨

Lægemiddelforskning handler ikke kun om små molekyler. Generativ kunstig intelligens bruges også til:

Protein- og sekvensgenerering kan være effektiv, fordi sekvensernes "sprog" mappes overraskende godt til ML-metoder. Men her er den tilfældige tilbagevenden: det mappes godt ... indtil det ikke gør. Fordi immunogenicitet, ekspression, glykosyleringsmønstre og udviklingsbegrænsninger kan være brutale. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Så de bedste opsætninger inkluderer:

  • udviklingsfiltre

  • risikoscoring for immunogenicitet

  • begrænsninger i fremstillingsevne

  • våde laboratorieløkker til hurtig iteration 🧫

Hvis du springer dem over, får du en smuk sekvens, der opfører sig som en diva i produktionen.

Nærmere kig: Synteseplanlægning og forslag til retrosyntese 🧰

Generativ kunstig intelligens sniger sig også ind i kemiske operationer, ikke kun molekyleidéudvikling.

Retrosynteseplanlæggere kan:

  • foreslå ruter til en målforbindelse

  • foreslå kommercielt tilgængelige udgangsmaterialer

  • rangér ruter efter antal skridt eller opfattet gennemførlighed

  • Hjælp kemikere med hurtigt at udelukke "søde, men umulige" idéer AiZynthFinder 2020 Coley 2018 (CASP)

Dette kan spare dig tid, især når du udforsker mange potentielle strukturer. Alligevel spiller mennesker en stor rolle her, fordi:

  • ændringer i reagenstilgængelighed

  • bekymringer om sikkerhed og skala er reelle

  • Nogle trin ser fine ud på papiret, men fejler gentagne gange

En knap så perfekt metafor, men jeg bruger den alligevel: retrosyntese-AI er som en GPS, der for det meste har ret, bortset fra at den nogle gange leder dig gennem en sø og insisterer på, at det er en genvej. 🚗🌊 Coley 2017 (computerassisteret retrosyntese)

Data, multimodale modeller og laboratoriernes ujævne virkelighed 🧾🧪

Generativ AI elsker data. Laboratorier producerer data. På papiret lyder det simpelt.

Ha. Nej.

De reelle laboratoriedata er:

Multimodale generative systemer kan kombinere:

Når det virker, er det fantastisk. Man kan afdække ikke-åbenlyse mønstre og foreslå eksperimenter, som en enkelt specialist måske ville overse.

Når det fejler, fejler det stille og roligt. Det smækker ikke med døren. Det skubber dig bare mod en sikker, forkert konklusion. Derfor er styring, validering og domænegennemgang ikke valgfri. Klinikervejledning (hallucinationer) npj Digital Medicin 2025 (hallucination + sikkerhedsramme)

Risici, begrænsninger og afsnittet "lad dig ikke narre af flydende output" ⚠️

Hvis du kun husker én ting, så husk dette: generativ kunstig intelligens er overbevisende. Den kan lyde rigtig, men samtidig være forkert. Klinikervejledning (hallucinationer)

Vigtigste risici:

Afhjælpende foranstaltninger, der hjælper i praksis:

  • holde mennesker i beslutningssløjfen

  • Logprompter og output til sporbarhed

  • validere med ortogonale metoder (analyser, alternative modeller)

  • håndhæv begrænsninger og filtre automatisk

  • Behandl output som hypoteser, ikke sandhedstabeller OECD QSAR-vejledning

Generativ AI er et elværktøj. Elværktøj gør dig ikke til tømrer ... de laver bare fejl hurtigere, hvis du ikke ved, hvad du laver.

Sådan implementerer teams generativ AI uden kaos 🧩🛠️

Teams ønsker ofte at bruge dette uden at forvandle organisationen til en videnskabsmesse. En praktisk implementeringsvej ser sådan ud:

Undervurder heller ikke kultur. Hvis kemikere føler, at de bliver presset til at bruge kunstig intelligens, vil de ignorere det. Hvis det sparer dem tid og respekterer deres ekspertise, vil de hurtigt tage det til sig. Mennesker er sjove på den måde 🙂.

Hvad er rollen af ​​generativ AI i lægemiddelforskning, når man zoomer ud? 🔭

Zoomet ud er rollen ikke at "erstatte forskere". Det er at "udvide den videnskabelige båndbredde". Nature 2023 (gennemgang af ligandopdagelse)

Det hjælper holdene:

  • udforsk flere hypoteser om ugen

  • foreslå flere kandidatstrukturer pr. cyklus

  • prioritér eksperimenter mere intelligent

  • Komprimer iterationsløkker mellem design og test

  • del viden på tværs af siloer Mønstre 2025 (LLM'er i lægemiddelforskning)

Og måske den mest undervurderede del: det hjælper dig med ikke at spilde den dyre menneskelige kreativitet på gentagne opgaver. Folk bør tænke over mekanismer, strategier og fortolkninger - ikke bruge dage på at generere variantlister i hånden. Nature 2023 (gennemgang af ligandopdagelse)

Så ja, generativ AI's rolle i lægemiddelforskning er en accelerator, en generator, et filter og nogle gange en ballademager. Men en værdifuld én.

Afsluttende opsummering 🧾✅

Generativ AI er ved at blive en kernekompetence inden for moderne lægemiddelforskning, fordi den kan generere molekyler, hypoteser, sekvenser og ruter hurtigere end mennesker - og den kan hjælpe teams med at vælge bedre eksperimenter. Frontiers in Drug Discovery 2024 anmeldelse Nature 2023 (ligandopdagelsesgennemgang)

Opsummerende punkter:

Hvis du behandler det som en samarbejdspartner - ikke et orakel - kan det virkelig føre programmer fremad. Og hvis du behandler det som et orakel ... ja, så ender du måske med at følge den GPS ud i søen igen. 🚗🌊

Ofte stillede spørgsmål

Hvad er rollen af ​​generativ kunstig intelligens i lægemiddelforskning?

Generativ AI udvider primært idétragten i tidlig opdagelse og leadoptimering ved at foreslå kandidatmolekyler, proteinsekvenser, synteseruter og biologiske hypoteser. Værdien er mindre "erstat eksperimenter" og mere "vælg bedre eksperimenter" ved at generere mange muligheder og derefter filtrere grundigt. Det fungerer bedst som en accelerator i en disciplineret arbejdsgang, ikke som en selvstændig beslutningstager.

Hvor klarer generativ kunstig intelligens sig bedst i hele lægemiddelforskningspipelinen?

Det har en tendens til at levere mest værdi, hvor hypoteseområdet er enormt, og iteration er dyrt, såsom hitidentifikation, de novo-design og leadoptimering. Teams bruger det også til ADMET-triage, retrosynteseforslag og litteratur- eller hypoteseunderstøttelse. De største gevinster kommer normalt fra at integrere generering med filtre, scoring og menneskelig gennemgang i stedet for at forvente, at en enkelt model er "smart"

Hvordan sætter man begrænsninger, så generative modeller ikke producerer ubrugelige molekyler?

En praktisk tilgang er at definere begrænsninger før generering: egenskabsområder (som opløselighed eller logP-mål), regler for scaffold eller understruktur, bindingsstedsfunktioner og nyhedsgrænser. Derefter håndhæve medicinske kemiske filtre (inklusive PAINS/reaktive grupper) og syntetiserbarhedskontroller. Constraint-first-generering er især nyttig med diffusionslignende molekylært design og frameworks som REINVENT 4, hvor multiobjektive mål kan kodes.

Hvordan skal teams validere GenAI-output for at undgå hallucinationer og overdreven selvtillid?

Behandl ethvert output som en hypotese, ikke en konklusion, og valider med assays og ortogonale modeller. Kombinér generering med aggressiv filtrering, docking eller scoring, hvor det er relevant, og anvendelighedsdomænekontroller for QSAR-lignende prædiktorer. Gør usikkerhed synlig, når det er muligt, fordi modeller med sikkerhed kan tage fejl på grund af out-of-distribution kemi eller vaklende biologiske påstande. Human-in-the-loop-gennemgang er fortsat en central sikkerhedsfunktion.

Hvordan kan man forhindre datalækage, IP-risiko og "memoriserede" output?

Brug styring og adgangskontroller, så følsomme programoplysninger ikke tilfældigt placeres i prompts, og log prompts/output for at sikre revisionsevne. Håndhæv nyheds- og lighedstjek, så genererede kandidater ikke sidder for tæt på kendte forbindelser eller beskyttede områder. Hold klare regler for, hvilke data der er tilladt i eksterne systemer, og foretræk kontrollerede miljøer til arbejde med høj følsomhed. Menneskelig gennemgang hjælper med at opdage "for velkendte" forslag tidligt.

Hvordan bruges generativ AI til leadoptimering og multiparameterjustering?

I forbindelse med leadoptimering er generativ AI værdifuld, fordi den kan foreslå flere afvejningsløsninger i stedet for at jagte en enkelt "perfekt" forbindelse. Almindelige arbejdsgange omfatter analog forslag, guidet substituentscanning og scaffold hopping, når potens-, toksikologiske eller IP-begrænsninger blokerer fremskridt. Egenskabsprædiktorer kan være skrøbelige, så teams rangerer typisk kandidater med flere modeller og bekræfter derefter de bedste muligheder eksperimentelt.

Kan generativ kunstig intelligens også hjælpe med biologiske lægemidler og proteinteknologi?

Ja - teams bruger det til generering af antistofsekvenser, affinitetsmodningsideer, stabilitetsforbedringer og enzym- eller peptidudforskning. Protein-/sekvensgenerering kan se plausibel ud uden at være udviklingsbar, så det er vigtigt at anvende filtre for udviklingsbarhed, immunogenicitet og fremstillingsbarhed. Strukturelle værktøjer som AlphaFold kan understøtte ræsonnement, men "plausibel struktur" er stadig ikke bevis for ekspression, funktion eller sikkerhed. Wet-lab-loops er fortsat essentielle.

Hvordan understøtter generativ AI synteseplanlægning og retrosyntese?

Retrosynteseplanlæggere kan foreslå ruter, udgangsmaterialer og ruterangeringer for at fremskynde idégenerering og hurtigt udelukke uigennemførlige veje. Værktøjer og tilgange som AiZynthFinder-lignende planlægning er mest effektive, når de parres med virkelige gennemførlighedstjek fra kemikere. Tilgængelighed, sikkerhed, opskaleringsbegrænsninger og "papirreaktioner", der fejler i praksis, kræver stadig menneskelig dømmekraft. Brugt på denne måde sparer det tid uden at lade som om, at kemien er løst.

Referencer

  1. Nature - Gennemgang af ligandopdagelse (2023) - nature.com

  2. Naturbioteknologi - GENTRL (2019) - nature.com

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

  4. Natur - RFdiffusion (2023) - nature.com

  5. Naturbioteknologi - Proteingenerator (2024) - nature.com

  6. Nature Communications - Batcheffekter i cellebilleddannelse (2024) - nature.com

  7. npj Digital Medicin - Hallucination + sikkerhedsramme (2025) - nature.com

  8. npj Digital Medicin - Multimodal i bioteknologi (2025) - nature.com

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

  10. Cellemønstre - LLM'er i lægemiddelforskning (2025) - cell.com

  11. ScienceDirect (Elsevier) - Generative modeller i de novo lægemiddeldesign (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): bekymringer om nyhed/unikhed - sciencedirect.com

  13. Medicinsk billedanalyse (ScienceDirect) - Multimodal AI i medicin (2025) - sciencedirect.com

  14. PubMed Central - Klinikervejledning (risiko for hallucinationer) - nih.gov

  15. Beretninger om kemisk forskning (ACS-publikationer) - Chemical space (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): kemisk rumskala - nih.gov

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

  18. Journal of Chemical Information and Modeling (ACS Publications) - Diffusionsmodeller i de novo lægemiddeldesign (2024) - acs.org

  19. PubMed Central - REINVENT 4 (åbent rammeværk) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (tidlig ADMET-sag) - nih.gov

  21. OECD - Principper for validering af (Q)SAR-modeller til regulatoriske formål - oecd.org

  22. OECD - Vejledningsdokument om validering af (Q)SAR-modeller - oecd.org

  23. Accounts of Chemical Research (ACS Publications) - Computerstøttet synteseplanlægning / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Computerassisteret retrosyntese (Coley, 2017) - acs.org

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

  26. PubMed - Lipinski: Kontekst om 5-regel - nih.gov

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

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

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

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

  31. PubMed Central - Diffusion-gennemgang (2025) - nih.gov

  32. FDA - E14 og S7B: klinisk og ikke-klinisk evaluering af QT/QTc-intervalforlængelse og proarytmisk potentiale (Q&A) - fda.gov

  33. Det Europæiske Lægemiddelagentur - Oversigt over ICH-retningslinje E14/S7B - europa.eu

  34. USENIX - Carlini et al. (2021): udtrækning af træningsdata fra sprogmodeller - usenix.org

  35. University of Edinburgh – Digital Research Services - Ressource til elektronisk laboratorienotesbog (ELN) - ed.ac.uk

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

Find den nyeste AI i den officielle AI-assistentbutik

Om os

Tilbage til bloggen