ជីវព័ត៌មានវិទ្យាក្នុងការរចនាឱសថ
ជីវព័ត៌មានវិទ្យាបានក្លាយជាសសរស្តម្ភដ៏សំខាន់មួយនៅក្នុងការស្រាវជ្រាវជីវវេជ្ជសាស្ត្រសម័យទំនើប ជាពិសេសក្នុងការរចនាឱសថ។ ខណៈពេលដែលការរកឃើញឱសថធ្លាប់ពឹងផ្អែកយ៉ាងខ្លាំងទៅលើការពិសោធន៍មន្ទីរពិសោធន៍ដែលចំណាយពេលច្រើន និងចំណាយច្រើន ជីវព័ត៌មានវិទ្យាឥឡូវនេះអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវត្រួតពិនិត្យបេក្ខជនឱសថបានលឿនជាងមុន កាន់តែច្បាស់លាស់ និងមានប្រសិទ្ធភាពជាងមុន។ ដោយទាញយកអត្ថប្រយោជន៍ពីទិន្នន័យជីវសាស្ត្រទ្រង់ទ្រាយធំ ដូចជាហ្សែន ប្រតិចារិក ប្រូតេអូម និងរចនាសម្ព័ន្ធប្រូតេអ៊ីន ជីវព័ត៌មានវិទ្យាជួយពន្លឿនដំណើរពីការរកឃើញគោលដៅរហូតដល់ការបង្កើនប្រសិទ្ធភាពបេក្ខជនឱសថដែលត្រៀមរួចជាស្រេចសម្រាប់ការសាកល្បងបន្ថែមទៀត។
តួនាទីរបស់ជីវព័ត៌មានវិទ្យានៅក្នុងខ្សែសង្វាក់ស្វែងរកគ្រឿងញៀន
ជាទូទៅ ការរចនាឱសថពាក់ព័ន្ធនឹងដំណាក់កាលសំខាន់ៗជាច្រើន៖ ការកំណត់អត្តសញ្ញាណគោលដៅ ការផ្ទៀងផ្ទាត់គោលដៅ ការរកឃើញសមាសធាតុសំណ ការបង្កើនប្រសិទ្ធភាពសំណ និងការវាយតម្លៃសុវត្ថិភាព និងប្រសិទ្ធភាព។ ជីវព័ត៌មានវិទ្យាដើរតួនាទីក្នុងដំណាក់កាលទាំងនេះស្ទើរតែទាំងអស់។
នៅដំណាក់កាលដំបូង ជីវព័ត៌មានវិទ្យាជួយជ្រើសរើសគោលដៅជីវសាស្រ្តសមស្រប។ គោលដៅគឺជាម៉ូលេគុលនៅក្នុងរាងកាយ - ជាធម្មតាប្រូតេអ៊ីន អង់ស៊ីម អ្នកទទួល ឬអាស៊ីតនុយក្លេអ៊ីក - ដែលដើរតួនាទីយ៉ាងសំខាន់នៅក្នុងជំងឺ។ តាមរយៈការវិភាគទិន្នន័យហ្សែន និងប្រូតេអូមិក អ្នកស្រាវជ្រាវអាចកំណត់អត្តសញ្ញាណហ្សែន ឬប្រូតេអ៊ីនដែលត្រូវបានផ្លាស់ប្តូរនៅក្នុងស្ថានភាពជំងឺ ហើយបន្ទាប់មកគូសផែនទីពីរបៀបដែលការផ្លាស់ប្តូរទាំងនេះប៉ះពាល់ដល់ផ្លូវជីវសាស្រ្ត។ គោលដៅល្អជាធម្មតាមានទំនាក់ទំនងយ៉ាងខ្លាំងទៅនឹងយន្តការនៃជំងឺ និងបង្ហាញពីភាពអាចព្យាបាលបាន មានន័យថាពួកវាអាចត្រូវបានកែប្រែដោយសមាសធាតុថ្នាំ។
ការកំណត់អត្តសញ្ញាណ និងការផ្ទៀងផ្ទាត់គោលដៅដោយផ្អែកលើទិន្នន័យ Omics
ចំណុចខ្លាំងមួយនៃជីវព័ត៌មានវិទ្យាគឺសមត្ថភាពរបស់វាក្នុងការដំណើរការទិន្នន័យអូមិកទ្រង់ទ្រាយធំ។ នៅក្នុងបរិបទនៃជំងឺស្មុគស្មាញដូចជាជំងឺមហារីក ជំងឺទឹកនោមផ្អែម ឬជំងឺខូចសរសៃប្រសាទ ជីវព័ត៌មានវិទ្យាអាចប្រៀបធៀបការបញ្ចេញហ្សែនរវាងជាលិកាដែលមានសុខភាពល្អ និងជាលិកាដែលមានជំងឺ (ការវិភាគឌីផេរ៉ង់ស្យែល)។ លទ្ធផលអាចបង្ហាញហ្សែនដែល "សកម្មហួសហេតុ" ឬ "សកម្មហួសហេតុ" នៅក្នុងជំងឺនេះ ដែលបន្ទាប់មកត្រូវបានសង្ស័យថាជាកត្តាជំរុញសំខាន់ៗ។
នៅពេលដែលគោលដៅបេក្ខជនមួយត្រូវបានកំណត់អត្តសញ្ញាណ ជីវព័ត៌មានវិទ្យាជួយក្នុងដំណាក់កាលផ្ទៀងផ្ទាត់តាមរយៈការវិភាគបណ្តាញអន្តរកម្មប្រូតេអ៊ីន-ប្រូតេអ៊ីន។ ប្រសិនបើប្រូតេអ៊ីនគឺជាចំណុចកណ្តាលនៃបណ្តាញនិយតកម្ម ឬគ្រប់គ្រងដំណើរការសំខាន់ៗច្រើន វាទំនងជាគោលដៅពាក់ព័ន្ធ។ លើសពីនេះ ការវិភាគផ្លូវមេតាប៉ូលីស និងផ្លូវសញ្ញាជួយធានាថាការកែប្រែគោលដៅមិនបង្កឱ្យ មានផលប៉ះពាល់ យ៉ាងទូលំទូលាយ ទេ ឧទាហរណ៍ ពីព្រោះគោលដៅក៏សំខាន់នៅក្នុងជាលិកាដែលមានសុខភាពល្អផងដែរ។
ជីវព័ត៌មានវិទ្យាក៏អាចឱ្យមានវិធីសាស្រ្តជំរុញដោយទិន្នន័យចំពោះការស្រាវជ្រាវគ្លីនិកផងដែរ។ តាមរយៈការបញ្ចូលគ្នានូវទិន្នន័យអ្នកជំងឺ ការផ្លាស់ប្តូរហ្សែន និងលទ្ធផលនៃការព្យាបាល អ្នកស្រាវជ្រាវអាចវាយតម្លៃថាតើគោលដៅត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការព្យាករណ៍ ឬការឆ្លើយតបនៃថ្នាំជាក់លាក់ណាមួយ ដែលពង្រឹងមូលដ្ឋានវិទ្យាសាស្ត្រសម្រាប់ ការអភិវឌ្ឍថ្នាំ ថ្មី ។
រចនាសម្ព័ន្ធប្រូតេអ៊ីន និងមូលដ្ឋានគ្រឹះនៃការរចនាឱសថដែលមានមូលដ្ឋានលើរចនាសម្ព័ន្ធ
នៅពេលដែលគោលដៅមួយត្រូវបានជ្រើសរើស ជំហានបន្ទាប់គឺត្រូវយល់ពីរចនាសម្ព័ន្ធបីវិមាត្ររបស់វា ដោយសារអន្តរកម្មរវាងឱសថ និងគោលដៅត្រូវបានកំណត់ជាចម្បងដោយរូបរាង និងលក្ខណៈសម្បត្តិគីមីនៃផ្ទៃប្រូតេអ៊ីន។ នេះគឺជាខ្លឹមសារនៃវិធីសាស្រ្តរចនាឱសថដែលមានមូលដ្ឋានលើរចនាសម្ព័ន្ធ (SBDD)។ ជីវព័ត៌មានវិទ្យាដើរតួនាទីក្នុងការទស្សន៍ទាយ ការធ្វើគំរូ និងការវិភាគរចនាសម្ព័ន្ធប្រូតេអ៊ីន។
ប្រសិនបើរចនាសម្ព័ន្ធប្រូតេអ៊ីនអាចរកបានពីការពិសោធន៍ដូចជាគ្រីស្តាល់កាំរស្មីអ៊ិច NMR ឬ cryo-EM ទិន្នន័យអាចត្រូវបានប្រើប្រាស់ដោយផ្ទាល់។ ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើវាមិនទាន់មាននៅឡើយទេ ជីវព័ត៌មានវិទ្យាផ្តល់នូវវិធីសាស្រ្តធ្វើគំរូរចនាសម្ព័ន្ធ ដូចជាការធ្វើគំរូ homology ដោយផ្អែកលើប្រូតេអ៊ីនស្រដៀងគ្នា ក៏ដូចជាការទស្សន៍ទាយរចនាសម្ព័ន្ធដែលមានភាពត្រឹមត្រូវកាន់តែខ្លាំងឡើងដោយផ្អែកលើការរៀនម៉ាស៊ីន។ បន្ទាប់មករចនាសម្ព័ន្ធនេះត្រូវបានប្រើដើម្បីកំណត់អត្តសញ្ញាណហោប៉ៅភ្ជាប់ ឬកន្លែងសកម្មនៃអង់ស៊ីម ដែល ថ្នាំដែលមានសក្តានុពលនឹងធ្វើអន្តរកម្មតាមឧត្ដមគតិ ។
ការវិភាគជីវព័ត៌មានវិទ្យាក៏ជួយវាយតម្លៃការអភិរក្សសំណល់អាស៊ីតអាមីណូនៅកន្លែងភ្ជាប់ផងដែរ។ ប្រសិនបើកន្លែងនោះត្រូវបានអភិរក្សយ៉ាងខ្លាំងនៅក្នុងប្រភេទសត្វបង្កជំងឺ ដូចជាបាក់តេរី ឬវីរុស នោះគោលដៅគឺមានសក្តានុពលជាង ពីព្រោះការផ្លាស់ប្តូរ (ការផ្លាស់ប្តូរ) ដែលគេចវេសពីថ្នាំអាចពិបាកសម្រេចបានដោយមិនធ្វើឱ្យខូចមុខងារសំខាន់របស់ភ្នាក់ងារបង្កជំងឺ។
ការត្រួតពិនិត្យនិម្មិត និងការចតម៉ូលេគុល
ការចូលរួមចំណែកដ៏អស្ចារ្យបំផុតមួយនៃជីវព័ត៌មានវិទ្យាចំពោះការរចនាឱសថគឺការត្រួតពិនិត្យនិម្មិត ដែលជាការត្រួតពិនិត្យដោយកុំព្យូទ័រនៃសមាសធាតុរាប់លានដើម្បីស្វែងរកបេក្ខជនដែលទំនងជាភ្ជាប់ទៅនឹងគោលដៅ។ ដំណើរការនេះជាធម្មតាពាក់ព័ន្ធនឹងការចតម៉ូលេគុល ដែលព្យាករណ៍ពីរបៀបដែលម៉ូលេគុលតូចមួយ (លីហ្គែន) សមនឹងកន្លែងភ្ជាប់ប្រូតេអ៊ីន និងគណនាភាពស្និទ្ធស្នាលភ្ជាប់ដែលបានប៉ាន់ស្មានរបស់វា។
ការចតអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវផ្តល់អាទិភាពដល់សមាសធាតុមួយចំនួនតូចពីបណ្ណាល័យគីមីធំមួយសម្រាប់ការធ្វើតេស្តមន្ទីរពិសោធន៍។ នេះជួយសន្សំសំចៃថ្លៃដើម និងពេលវេលាយ៉ាងច្រើន។ កម្មវិធីចតផ្សេងៗផ្តល់ជូននូវវិធីសាស្រ្តដាក់ពិន្ទុផ្សេងៗគ្នា ហើយជីវព័ត៌មានវិទ្យាដើរតួនាទីក្នុងការជ្រើសរើសប៉ារ៉ាម៉ែត្រសមស្រប ការវាយតម្លៃគុណភាពនៃលទ្ធផល និងការអនុវត្តដំណើរការក្រោយដើម្បីកាត់បន្ថយលទ្ធផលវិជ្ជមានមិនពិត។
បន្ថែមពីលើការចតឋិតិវន្ត ក៏មានឌីណាមិកម៉ូលេគុល (MD) ផងដែរ ដែលធ្វើត្រាប់តាមចលនារបស់អាតូមប្រូតេអ៊ីន និងសារធាតុផ្សំនៅក្នុងបរិស្ថានដូចកោសិកា (ឧទាហរណ៍ ទឹក និងអ៊ីយ៉ុង)។ MD ជួយយល់អំពីភាពបត់បែននៃប្រូតេអ៊ីន ស្ថេរភាពនៃការចងសារធាតុផ្សំ និងការផ្លាស់ប្តូររចនាសម្ព័ន្ធដែលជារឿយៗមើលមិនឃើញពីរចនាសម្ព័ន្ធឋិតិវន្ត។ ដូច្នេះ ជីវព័ត៌មានវិទ្យាអនុញ្ញាតឱ្យមានការទស្សន៍ទាយកាន់តែប្រាកដនិយមអំពីអន្តរកម្មថ្នាំ-គោលដៅ។
ការរចនាថ្នាំដែលមានមូលដ្ឋានលើលីហ្គែន និងការធ្វើគំរូ QSAR
រចនាសម្ព័ន្ធគោលដៅមិនតែងតែអាចរកបាន ឬងាយស្រួលទស្សន៍ទាយនោះទេ។ ក្នុងស្ថានភាពបែបនេះ ការរចនាឱសថដែលមានមូលដ្ឋានលើលីហ្គែន (LBDD) ត្រូវបានប្រើប្រាស់ ដែលប្រើប្រាស់ព័ត៌មានពីសមាសធាតុដែលមានសកម្មភាពជីវសាស្រ្តដែលគេស្គាល់។ ជីវព័ត៌មានវិទ្យា និងគីមីមាត្រវិទ្យា (គីមីព័ត៌មានវិទ្យា) ដើរតួនាទីយ៉ាងសំខាន់ក្នុងវិធីសាស្រ្តនេះ ជាពិសេសតាមរយៈ QSAR (ទំនាក់ទំនងរចនាសម្ព័ន្ធបរិមាណ-សកម្មភាព)។
QSAR បង្កើតគំរូដែលភ្ជាប់លក្ខណៈពិសេសគីមី — ដូចជាទំហំម៉ូលេគុល ប៉ូលារីតេ សមត្ថភាពភ្ជាប់អ៊ីដ្រូសែន និងលក្ខណៈសម្បត្តិអេឡិចត្រូនិច — ជាមួយនឹងសកម្មភាពជីវសាស្រ្ត។ ដោយប្រើគំរូទាំងនេះ អ្នកស្រាវជ្រាវអាចរចនាអាណាឡូកសមាសធាតុដែលមានសក្តានុពលជាងមុន ជ្រើសរើសជាងមុន ឬមានសុវត្ថិភាពជាងមុន។ វិធីសាស្រ្តរៀនម៉ាស៊ីនដូចជាព្រៃឈើចៃដន្យ ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ និងការរៀនស៊ីជម្រៅកំពុងត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើងដើម្បីបង្កើនភាពត្រឹមត្រូវនៃការព្យាករណ៍ QSAR ជាពិសេសនៅពេលដែលទិន្នន័យសកម្មភាពសមាសធាតុមានទំហំធំ។
ការព្យាករណ៍ ADMET៖ ប្រសិទ្ធភាព និងសុវត្ថិភាពតាំងពីដំបូង
បេក្ខជនថ្នាំជាច្រើនបរាជ័យមិនមែនដោយសារតែពួកគេគ្មានប្រសិទ្ធភាពនោះទេ ប៉ុន្តែដោយសារតែបញ្ហា ADMET (ការស្រូបយក ការចែកចាយ ការរំលាយអាហារ ការបញ្ចេញចោល និងជាតិពុល)។ ជីវព័ត៌មានវិទ្យាអាចឱ្យមានការទស្សន៍ទាយ ADMET ដំណាក់កាលដំបូង ដែលអនុញ្ញាតឱ្យបេក្ខជនដែលមានហានិភ័យខ្ពស់ត្រូវបានលុបបំបាត់បានលឿនជាងមុន។
ឧទាហរណ៍ គំរូព្យាករណ៍អាចទស្សន៍ទាយថាតើសមាសធាតុមួយត្រូវបានស្រូបយកមិនបានល្អនៅក្នុងពោះវៀន ដែលអាចចងភ្ជាប់ខ្ពស់ទៅនឹងប្រូតេអ៊ីនប្លាស្មា ឬរំលាយបានយ៉ាងឆាប់រហ័ស ដោយហេតុនេះកាត់បន្ថយប្រសិទ្ធភាពរបស់វា។ ជីវព័ត៌មានវិទ្យាក៏អាចទស្សន៍ទាយពីជាតិពុលដែលអាចកើតមានផងដែរ ដូចជាជាតិពុលថ្លើម ឬហានិភ័យនៃការរំខានដល់បណ្តាញអ៊ីយ៉ុងបេះដូង (ឧទាហរណ៍ hERG) ដែលអាចនាំឱ្យមានចង្វាក់បេះដូងមិនប្រក្រតី។ ជាមួយនឹងការទស្សន៍ទាយដំបូងនេះ ការរចនាថ្នាំកាន់តែមានគោលដៅ៖ អ្នកស្រាវជ្រាវមិនត្រឹមតែស្វែងរកសក្តានុពលសម្រាប់ការចងភ្ជាប់ខ្លាំងទៅនឹងគោលដៅប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងពិចារណាលើទម្រង់សុវត្ថិភាព និងឱសថសាស្ត្រគ្រប់គ្រាន់ផងដែរ។
ការរចនាថ្នាំសម្រាប់ជំងឺឆ្លង និងភាពធន់នឹងថ្នាំ
នៅក្នុងជំងឺឆ្លង ជីវព័ត៌មានវិទ្យាគឺមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ កំណត់អត្តសញ្ញាណគោលដៅភ្នាក់ងារបង្កជំងឺជាក់លាក់ ដែលមនុស្សខ្វះ ដោយហេតុនេះកាត់បន្ថយហានិភ័យនៃផលប៉ះពាល់។ ការវិភាគហ្សែនភ្នាក់ងារបង្កជំងឺជួយកំណត់អត្តសញ្ញាណហ្សែនសំខាន់ៗ ដែលជាហ្សែនដែលការរារាំងរបស់វាសម្លាប់ភ្នាក់ងារបង្កជំងឺ។ លើសពីនេះ ជីវព័ត៌មានវិទ្យាជួយតាមដានការផ្លាស់ប្តូរហ្សែនដែលនាំឱ្យមាន ភាពធន់ នឹងថ្នាំអង់ទីប៊ីយោទិក ឬវីរុសប្រឆាំងមេរោគ ។
តាមរយៈការគូសផែនទីភាពខុសគ្នានៃហ្សែននៅក្នុងភ្នាក់ងារបង្កជំងឺនៅទូទាំងតំបន់ និងពេលវេលា អ្នកស្រាវជ្រាវអាចរចនាថ្នាំដែលផ្តោតលើតំបន់ប្រូតេអ៊ីនដែលអភិរក្សបំផុត ឬបង្កើតបន្សំព្យាបាលដែលកាត់បន្ថយលទ្ធភាពនៃភាពធន់។ នៅក្នុងវីរុសដែលមានការផ្លាស់ប្តូរយ៉ាងឆាប់រហ័ស ព័ត៌មានអំពីការវិវត្តន៍ម៉ូលេគុលគឺមានតម្លៃមិនអាចកាត់ថ្លៃបាន សម្រាប់យុទ្ធសាស្ត្ររចនាថ្នាំ ដែលធន់នឹងការផ្លាស់ប្តូរហ្សែន។
ការរួមបញ្ចូលបញ្ញាសិប្បនិម្មិតក្នុងជីវព័ត៌មានវេជ្ជសាស្ត្រ
ការអភិវឌ្ឍនៅក្នុង AI និងការរៀនម៉ាស៊ីនកំពុងពង្រឹងតួនាទីរបស់ជីវព័ត៌មានវិទ្យា។ គំរូ AI អាចទស្សន៍ទាយរចនាសម្ព័ន្ធប្រូតេអ៊ីន ស្នើការរចនាម៉ូលេគុលថ្មី (de novo design) និងបង្កើនប្រសិទ្ធភាពសមាសធាតុដោយផ្អែកលើគោលបំណងច្រើន - ឧទាហរណ៍ កម្លាំងចំណងខ្ពស់ ជាតិពុលទាប និង លក្ខណៈសម្បត្តិរូបវិទ្យា-គីមី សមស្រប ។ AI ក៏កំពុងត្រូវបានប្រើប្រាស់សម្រាប់ "ការប្រើប្រាស់ថ្នាំឡើងវិញ" ដែលពាក់ព័ន្ធនឹងការស្វែងរកការប្រើប្រាស់ថ្មីសម្រាប់ថ្នាំដែលមានស្រាប់ដោយវិភាគភាពស្រដៀងគ្នានៅក្នុងការបញ្ចេញហ្សែន ឬបណ្តាញជីវសាស្រ្តនៅទូទាំងជំងឺ។
ទោះជាយ៉ាងណាក៏ដោយ កម្មវិធី AI នៅតែតម្រូវឱ្យមានការផ្ទៀងផ្ទាត់ពិសោធន៍។ ជីវព័ត៌មានវិទ្យាល្អមិនត្រឹមតែអំពីគំរូទំនើបប៉ុណ្ណោះទេ ប៉ុន្តែវាក៏អំពីគុណភាពទិន្នន័យ តម្លាភាពវិធីសាស្រ្ត និងការបកស្រាយជីវសាស្រ្តដ៏ត្រឹមត្រូវផងដែរ។
បញ្ហាប្រឈម និងទិសដៅនាពេលអនាគត
បើទោះបីជាមានសក្តានុពលក៏ដោយ ជីវព័ត៌មានវិទ្យាក្នុងការរចនាឱសថប្រឈមនឹងបញ្ហាប្រឈមធំៗ។ ទិន្នន័យជីវសាស្រ្តច្រើនតែមានភាពខុសប្លែកគ្នា ពោរពេញដោយសំឡេងរំខាន និងមានឥទ្ធិពលដោយភាពខុសគ្នានៅក្នុងវេទិកាពិសោធន៍។ លើសពីនេះ គំរូកុំព្យូទ័រអាចមានភាពលំអៀង ប្រសិនបើទិន្នន័យបណ្តុះបណ្តាលមិនតំណាងឱ្យ។ បញ្ហាប្រឈមមួយទៀតគឺភាពស្មុគស្មាញនៃជីវវិទ្យាមនុស្ស៖ ជំងឺជាច្រើនពាក់ព័ន្ធនឹងផ្លូវច្រើន ដូច្នេះគោលដៅតែមួយមិនតែងតែគ្រប់គ្រាន់នោះទេ។
នាពេលអនាគត ការរួមបញ្ចូលគ្នានៃពហុអូមិក ទិន្នន័យគ្លីនិកពិភពពិត និងគំរូជីវសាស្រ្តដែលស្រដៀងនឹងស្ថានភាពមនុស្សកាន់តែជិតស្និទ្ធ ដូចជាសរីរាង្គ និងការវិភាគកោសិកាតែមួយ នឹងពង្រឹងការរចនាថ្នាំ។ ជីវព័ត៌មានវិទ្យាក៏នឹងត្រូវបានភ្ជាប់កាន់តែខ្លាំងឡើងទៅនឹងស្វ័យប្រវត្តិកម្មមន្ទីរពិសោធន៍ (មន្ទីរពិសោធន៍មនុស្សយន្ត) ដែលអនុញ្ញាតឱ្យមានវដ្តរចនា-សាកល្បង-វិភាគលឿនជាងមុន។
សេចក្តីសន្និដ្ឋាន
ជីវព័ត៌មានវិទ្យាបានផ្លាស់ប្តូររបៀបដែលថ្នាំត្រូវបានរចនាឡើង៖ ពីវិធីសាស្រ្តសាកល្បង និងកំហុស ទៅជាវិធីសាស្រ្តជំរុញដោយទិន្នន័យ និងការទស្សន៍ទាយដោយកុំព្យូទ័រ។ ចាប់ពីការកំណត់អត្តសញ្ញាណគោលដៅ និងការធ្វើគំរូរចនាសម្ព័ន្ធប្រូតេអ៊ីន ការត្រួតពិនិត្យនិម្មិត QSAR រហូតដល់ការទស្សន៍ទាយ ADMET ជីវព័ត៌មានវិទ្យាបង្កើនល្បឿន នៃការរកឃើញ និងការអភិវឌ្ឍថ្នាំ ខណៈពេលដែលកាត់បន្ថយថ្លៃដើម។ ដំណើរការដោយបញ្ញាសិប្បនិម្មិត និងទិន្នន័យ omics ទ្រង់ទ្រាយធំ អនាគតនៃការរចនាថ្នាំកំពុងឈានទៅរកការព្យាបាលដែលមានប្រសិទ្ធភាព សុវត្ថិភាព និងផ្ទាល់ខ្លួនជាងមុន — ផ្តល់នូវការសន្យាដ៏អស្ចារ្យសម្រាប់ការដោះស្រាយបញ្ហាដែលពិបាកព្យាបាលជាប្រវត្តិសាស្ត្រ។
