Introducere. Utilizarea IA în toxicologia predictivă transformă rapid peisajul
farmaceutic. Spre deosebire de metodele tradiționale de toxicologie, deși sunt valoroase,
metodele AI consumă mai puțin timp și afectează organismele vii.
Scopul lucării. Scopul acestui studiu este de a analiza efectele utilizării modelelor bazate
pe IA în avansarea toxicologiei predictive pentru identificarea riscurilor toxicologice încă
din fazele incipiente ale dezvoltării, contribuind astfel la creșterea siguranței
medicamentelor comercializate.
Material și metode. Această cercetare a implicat o revizuire a literaturii și o analiză a
articolelor revizuite de colegi și a rapoartelor clinice disponibile în PubMed și
ClinicalTrials.gov. Cuvintele cheie utilizate au inclus „toxicologie predictivă”, „inteligență
artificială în toxicologie”, „siguranța medicamentelor de învățare automată” și „date mari
în farmacologie”.
Rezultate. Aplicațiile IA au adus îmbunătățiri semnificative în domeniul toxicologiei
predictive, prin analiza unor volume mari de date moleculare și farmacocinetice pentru
identificarea reacțiilor adverse la medicamente la primele etape ale studiilor clinice.
Modelele de învățare automată s-au dovedit deosebit de eficiente în evaluarea legăturii
dintre structura moleculară și toxicitate. De exemplu, modelele de învățare automată
supravegheate au fost folosite pentru a prezice hepatotoxicitatea, în timp ce învățarea
prin consolidare s-a dovedit promițătoare în modelarea reacțiilor adverse pe termen lung
prin simularea scenariilor de expunere la medicamente în timp. Aceste metode sunt
totodată utilizate în evaluarea potențialului de citotoxicitate și genotoxicitate a noilor
compuși farmaceutici.
Concluzii. Integrarea AI în toxicologia predictivă are un potențial extraordinar de
îmbunătățire a siguranței și fiabilității produselor farmaceutice. Descoperirile subliniază
importanța investițiilor continue în tehnologiile AI pentru a îmbunătăți și mai mult
capacitățile de toxicologie predictivă.
Introduction. The use of artificial intelligence (AI) in predictive toxicology is rapidly
transforming the pharmaceutical landscape. Unlike traditional toxicology methods, while
valuable, AI methods are less time-consuming and affect living organisms.
Aim of the study. This study aims to examine the impact of AI-driven models on
advancing predictive toxicology and improving drug safety, potential toxicological risks
earlier in drug development, thus enhancing the reliability of medicinal products
available on the market.
Material and methods. This research involved a literature review and analysis of peerreviewed articles and clinical reports available in PubMed and ClinicalTrials.gov.
Keywords used included „predictive toxicology”, „artificial intelligence in toxicology”,
„machine learning drug safety” and „big data in pharmacology.”
Results. AI applications have successfully improved predictive toxicology by analyzing
vast amounts of molecular and pharmacokinetic data to identify adverse drug reactions
(ADRs) before clinical trials. Machine learning models have been particularly effective in
analyzing how molecular structure relates to toxicity. For example, supervised machine
learning models have been used to predict hepatotoxicity, while reinforcement learning
has shown promise in modeling long-term ADRs by simulating drug exposure scenarios
over time. Another example is the use of deep learning models to evaluate the cytotoxicity
and genotoxicity potential of new drugs.
Conclusions: The integration of AI in predictive toxicology holds tremendous potential
for improving the safety and reliability of pharmaceuticals. The findings underscore the
importance of continued investment in AI technologies to further enhance predictive
toxicology capabilities.
