DOI: https://doi.org/10.2147/dddt.s525171
PMID: https://pubmed.ncbi.nlm.nih.gov/40458811
تاريخ النشر: 2025-05-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تقدم الورقة تحليلًا شاملًا للببليومترية لتطبيق الذكاء الاصطناعي القابل للتفسير (XAI) في أبحاث الأدوية، مع تسليط الضوء على أهميته المتزايدة في تسريع تطوير الأدوية مع معالجة التحديات المتعلقة بقدرة النموذج على التفسير. من خلال تحليل 573 منشورًا من 55 دولة، تكشف الدراسة أن الاهتمام بتقنية XAI في تزايد، لا سيما في الصين والولايات المتحدة، اللتين تتصدران في حجم المنشورات والتعاون الدولي. على الرغم من تشكيل شبكة تعاونية، تظل الجهود التعاونية العالمية محدودة.
تشير النتائج إلى أن تقنيات XAI، لا سيما SHAP وآليات الانتباه، تتكامل بشكل متزايد مع الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق لتعزيز الشفافية والموثوقية لنماذج تطوير الأدوية. تصنف الورقة تطبيق XAI عبر مجالات الكيمياء، والبيولوجيا، والطب الصيني التقليدي، وتحدد اتجاهات البحث المستقبلية التي تركز على أداء النموذج، وجودة البيانات، ومعايير التقييم. كما تؤكد على إمكانية XAI في تسهيل التقدم في الطب الشخصي والعلاج الدقيق، داعية إلى تعزيز التعاون الدولي لتعزيز الابتكار في أبحاث وتطوير الأدوية العالمية.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على الدور الحاسم لأبحاث الأدوية في تعزيز صحة الإنسان من خلال علاج الأمراض بشكل فعال وتحسين جودة الحياة. على الرغم من التقدم في أبحاث وتطوير الأدوية (R&D) للأمراض المعقدة مثل السرطان والأمراض المعدية، فإن التحديات مثل التكاليف العالية، ودورات R&D الطويلة، ومعدلات الفشل المرتفعة تعيق التقدم. توفر ظهور تقنيات الذكاء الاصطناعي (AI) والبيانات الضخمة حلولًا واعدة من خلال تمكين استخراج رؤى قيمة من بيانات طبية حيوية واسعة، مما يعزز كفاءة تطوير الأدوية. تمثل الإنجازات الملحوظة، مثل اكتشاف أدوية جديدة مضادة للتليف بواسطة Insilico Medicine ومرشحين للأدوية ضد فيروس إيبولا بواسطة Atomwise، الإمكانيات الكبيرة للذكاء الاصطناعي في هذا المجال.
ومع ذلك، فإن دمج الذكاء الاصطناعي في أبحاث الأدوية يقدم أيضًا تحديات، لا سيما فيما يتعلق بقدرة النماذج التقليدية على التفسير، مما يثير مخاوف بشأن فعاليتها وسلامتها في تطوير الأدوية عالية المخاطر. لمعالجة هذه القضايا، اكتسب الذكاء الاصطناعي القابل للتفسير (XAI) زخمًا، مع التركيز على تحسين شفافية النموذج وثقة المستخدم من خلال توضيح عمليات اتخاذ القرار. تهدف هذه الدراسة إلى تحليل منهجي للحالة الحالية والاتجاهات الخاصة بـ XAI في الصيدلة من خلال تحليل ببليومتري، مع فحص مقاييس النشر، والتوزيع الجغرافي، ونقاط البحث الساخنة. ستوفر النتائج مرجعًا شاملاً لاتجاهات البحث المستقبلية في هذا المجال، بما في ذلك الأدوية الكيميائية، والبيولوجية، والأدوية التقليدية الصينية (TCM).
طرق البحث
استخدمت الدراسة بيانات من “مجموعة ويب أوف ساينس الأساسية”، مع استخدام تقنيات بحث متقدمة لتحديد الأدبيات ذات الصلة. تضمنت استراتيجية البحث ثلاث صيغ رئيسية: (1) استهداف مصطلحات تتعلق بالذكاء الاصطناعي والتعلم الآلي، (2) التركيز على مفاهيم القابلية للتفسير والتوضيح، و(3) تضمين مصطلحات مرتبطة بالأدوية. جمعت عملية البحث النهائية هذه العناصر، مما أسفر عن 920 مقالًا تم نشرها بين يناير 2002 ويونيو 2024، مقصورة على المقالات والمراجعات باللغة الإنجليزية. بعد إعادة تقييم شاملة من قبل ثلاثة باحثين، اعتُبرت 573 مقالة ذات صلة بأبحاث الأدوية وتطبيق النماذج القابلة للتفسير.
لتحليل البيانات، تم استخدام Microsoft Excel للتقييمات الإحصائية الأساسية، بينما سهل VOSviewer 1.6.20 تحليل التعاون بين المؤسسات البحثية. تم استخدام Scimago Graphica لتحليل التعاون بين الدول/المناطق، وCiteSpace V6.3 للكشف عن انفجارات المراجع. بالإضافة إلى ذلك، تم إجراء تحليلات ببليومترية، بما في ذلك تقييمات المؤلفين والكلمات الرئيسية، باستخدام مجموعة أدوات bibliometrix، مع إنشاء تصورات لاتجاهات النشر والاستشهادات عبر منصة Chiplot للتخطيط عبر الإنترنت. توضح الشكل 1A عملية البحث ومعايير الفحص المستخدمة في هذه الدراسة.
نقاش
يقدم قسم النقاش في الورقة البحثية تحليلًا ببليومتريًا شاملاً للزيادة في حجم وجودة المنشورات في مجال الذكاء الاصطناعي القابل للتفسير (XAI) المطبق على أبحاث الأدوية. تشير الاتجاهات السنوية للنشر إلى زيادة كبيرة في عدد المنشورات من متوسط أقل من خمسة سنويًا قبل عام 2018 إلى أكثر من 100 في عام 2022، مع إجمالي تراكمي متوقع يبلغ 694 بحلول عام 2024، كما توقع نموذج الانحدار الذاتي المتكامل المتحرك (ARIMA). يكشف تحليل مقياس “TC/TP” أن جودة المنشورات قد تحسنت بشكل ملحوظ منذ عام 2018، مع ذروة معدلات الاستشهاد في عام 2020، مما يشير إلى تزايد الاهتمام الأكاديمي والإنتاجية العالية في هذا المجال.
جغرافيًا، يتركز الإنتاج البحثي في دول مثل الصين والولايات المتحدة، مع تصدر سويسرا وألمانيا وتايلاند من حيث جودة المنشورات. يبرز التحليل الشبكات التعاونية بين المؤسسات، بشكل رئيسي داخل الصين، بينما يشير أيضًا إلى الحاجة إلى مزيد من التعاون الدولي. يحدد النقاش أيضًا نقاط البحث الساخنة الرئيسية، بما في ذلك دراسات تفاعل الأدوية وتطبيق تقنيات التعلم الآلي والتعلم العميق، مع التأكيد على دور XAI في تعزيز قابلية تفسير وشفافية عمليات تطوير الأدوية. بشكل عام، تؤكد النتائج على النمو الديناميكي والطبيعة متعددة التخصصات للبحث في XAI ضمن المجال الصيدلاني، مما يشير إلى مسار واعد للدراسات والابتكارات المستقبلية.
DOI: https://doi.org/10.2147/dddt.s525171
PMID: https://pubmed.ncbi.nlm.nih.gov/40458811
Publication Date: 2025-05-01
Author(s): Zhenyun Du et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The paper presents a comprehensive bibliometric analysis of the application of Explainable Artificial Intelligence (XAI) in drug research, highlighting its growing significance in accelerating drug development while addressing challenges related to model interpretability. Analyzing 573 publications from 55 countries, the study reveals that interest in XAI technology is increasing, particularly in China and the United States, which lead in publication volume and international collaboration. Despite the formation of a cooperative network, global collaborative efforts remain limited.
The findings indicate that XAI techniques, particularly SHAP and attention mechanisms, are increasingly integrated with artificial intelligence, machine learning, and deep learning to enhance the transparency and reliability of drug development models. The paper categorizes the application of XAI across chemical, biological, and traditional Chinese medicine domains, and outlines future research directions focused on model performance, data quality, and evaluation criteria. It emphasizes the potential of XAI to facilitate advancements in personalized medicine and precision therapy, advocating for strengthened international cooperation to foster innovation in global drug research and development.
Introduction
The introduction of the research paper highlights the critical role of drug research in enhancing human health through effective disease treatment and improved quality of life. Despite advancements in drug research and development (R&D) for complex diseases such as cancer and infectious diseases, challenges such as high costs, lengthy R&D cycles, and elevated failure rates hinder progress. The emergence of artificial intelligence (AI) and big data technologies offers promising solutions by enabling the extraction of valuable insights from extensive biomedical data, thereby enhancing drug development efficiency. Notable achievements, such as the discovery of new antifibrotic drugs by Insilico Medicine and drug candidates against the Ebola virus by Atomwise, exemplify the potential of AI in this domain.
However, the integration of AI in drug research also presents challenges, particularly concerning the interpretability of traditional black-box models, which raises concerns about their effectiveness and safety in high-risk drug development. To address these issues, Explainable Artificial Intelligence (XAI) has gained traction, focusing on improving model transparency and user trust by elucidating decision-making processes. This study aims to systematically analyze the current state and trends of XAI in pharmacy through bibliometric analysis, examining publication metrics, geographical distribution, and research hotspots. The findings will provide a comprehensive reference for future research directions in the field, encompassing chemical, biological, and traditional Chinese medicines (TCM).
Methods
The study utilized data from the “Web of Science Core Collection,” employing advanced search techniques to identify relevant literature. The search strategy involved three key formulas: (1) targeting terms related to artificial intelligence and machine learning, (2) focusing on concepts of interpretability and explainability, and (3) including terms associated with pharmaceuticals. The final search combined these elements, resulting in 920 articles published between January 2002 and June 2024, restricted to English-language articles and reviews. Following a thorough reevaluation by three researchers, 573 articles were deemed relevant to drug research and the application of interpretable models.
For data analysis, Microsoft Excel was utilized for basic statistical evaluations, while VOSviewer 1.6.20 facilitated collaboration analysis among research institutions. Scimago Graphica was employed for country/region collaboration analysis, and CiteSpace V6.3 was used for reference burst detection. Additionally, bibliometric analyses, including author and keyword assessments, were conducted using the bibliometrix toolkit, with visualizations of publication and citation trends generated via the Chiplot online mapping platform. Figure 1A illustrates the research process and screening criteria employed in this study.
Discussion
The discussion section of the research paper presents a comprehensive bibliometric analysis of the increasing volume and quality of publications in the field of explainable artificial intelligence (XAI) applied to drug research. The annual publication trends indicate a significant rise in the number of publications from an average of fewer than five per year before 2018 to over 100 in 2022, with a projected cumulative total of 694 by 2024, as predicted by an autoregressive integral sliding average (ARIMA) model. The analysis of the “TC/TP” metric reveals that the quality of publications has improved markedly since 2018, with peak citation rates in 2020, suggesting a growing academic interest and high-quality output in this area.
Geographically, the research output is concentrated in countries such as China and the United States, with Switzerland, Germany, and Thailand leading in terms of publication quality. The analysis highlights the collaborative networks among institutions, predominantly within China, while also indicating a need for more extensive international cooperation. The discussion further identifies key research hotspots, including drug interaction studies and the application of machine learning and deep learning techniques, emphasizing the role of XAI in enhancing the interpretability and transparency of drug development processes. Overall, the findings underscore the dynamic growth and interdisciplinary nature of research in XAI within the pharmaceutical domain, suggesting a promising trajectory for future studies and innovations.