Gan-y w chemii : jak sztuczna inteligencja tworzy cząsteczki?

• Autorzy: Łakocka Agnieszka , Zahorska Aleksandra , Kumirska Jolanta

Identyfikatory

DOI

10.53584/WIADCHEM.2025.05.5

Warianty tytułu

EN

Gans in chemistry : how does artificial intelligence creat molecules?

• Języki publikacji: PL

Abstrakty

EN

Artificial Intelligence (AI), particularly generative deep learning models such as MolGAN, CellGAN, and ORGAN, is gaining increasing importance in chemistry and structural biology. These models enable the creation of novel chemical compounds and molecular structures (MolGAN, ORGAN) as well as realistic cellular images (CellGAN), opening new possibilities in drug design, phenotypic analysis, and molecular engineering. This article presents an overview of selected generative architectures, including fundamental models and their specialized variants, discussing their advantages and limitations. Attention is drawn to the risk of generating unrealistic, hard-to-synthesize, or toxic molecules due to learning from statistical correlations rather than explicit chemical rules. Therefore, the need to integrate AI models with experimental knowledge is emphasized, along with the development of validation mechanisms and ethical safeguards in the context of their practical application.

Słowa kluczowe

PL

GAN; projektowanie leków; projektowanie molekularne; głębokie uczenie maszynowe

EN

GAN; drug design; molecular design; deep learning machine

• Wydawca: Polskie Towarzystwo Chemiczne
• Czasopismo: Wiadomości Chemiczne
• Rocznik: 2025
• Tom: [Z] 79, 5-6
• Strony: 381--396
• Opis fizyczny: Bibliogr. 13 poz., rys., wykr.

Twórcy

autor

Łakocka Agnieszka

• Uniwersytet Gdański, Wydział Chemii, Zakład Dydaktyki i Popularyzacji Nauki, Wita Stwosza 63, 80-308 Gdańsk

• https://orcid.org/0009-0001-9696-3164

autor

Zahorska Aleksandra

• Uniwersytet Gdański, Wydział Chemii, Zakład Dydaktyki i Popularyzacji Nauki, Wita Stwosza 63, 80-308 Gdańsk

• https://orcid.org/0009-0004-4492-1810

autor

Kumirska Jolanta

• Uniwersytet Gdański, Wydział Chemii, Zakład Dydaktyki i Popularyzacji Nauki, Wita Stwosza 63, 80-308 Gdańsk

• https://orcid.org/0000-0003-1211-1114

Bibliografia

• [1] I.J. Goodfellow, et al., arXiv, 2014, 1406.2661.
• [2] N. De Cao, T. Kipf, arXiv, 2018, 1805.11973.
• [3] A. Radford, L. Metz, S. Chintala, arXiv, 2015, 1511.06434.
• [4] D. Berthelot, T. Schumm, L. Metz, arXiv, 2017, 1703.10717.
• [5] J. Dai, Y. Zhang, C. Shi, Y. Liu, P. Xiu, Y. Wang, J. Phys. Chem. B, 2024, 128, 11001.
• [6] J. Fan, S.K. Hong, Y. Lee, IEEE Access, 2023, 11, 58359.
• [7] Y. Tsujimoto, S. Hiwa, Y. Nakamura, Y. Oe, T. Hiroyasu, arXiv, 2023, 2302.05653.
• [8] Z. Shen, M. Cao, S. Wang, L. Zhang, Q. Wang, arXiv, 2023, 2307.06182.
• [9] X. Liao, W. Yi, Appl. Sci., 2024, 14, 6266.
• [10] G.L. Guimaraes, B. Sanchez-Lengeling, C. Outeiral, P.L.C. Farias, A. Aspuru-Guzik, arXiv, 2017, 1705.10843.
• [11] M. Benhenda, arXiv, 2017, 1708.08227.
• [12] P. Ertl, A. Schuffenhauer, J. Cheminform., 2009, 1, 8.
• [13] F. Urbina, F. Lentzos, C. Invernizzi, S. Ekins, Nat. Mach. Intell., 2022, 4, 189.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).