簡而言之：生成式人工智慧主要透過產生候選分子或蛋白質序列、提出合成路線以及提出可驗證的假設來加速早期藥物發現，使團隊能夠減少「盲目」實驗。當施加嚴格的約束條件並驗證輸出結果時，它的表現最佳；如果將其視為預言家，則可能自信地誤導研究。
重點總結：
加速：利用 GenAI 擴大創意生成範圍，然後透過嚴格篩選縮小範圍。
限制條件：生成前需要屬性範圍、腳手架規則和新穎性限制。
驗證：將輸出結果視為假設；透過偵測和正交模型進行確認。
可追溯性：記錄提示、輸出和理由，以便決策可審計和可審查。
防止濫用：透過治理、存取控制和人工審核來防止洩漏和過度自信。
您可能還想閱讀以下文章：
🔗 人工智慧在醫療保健領域的作用
人工智慧如何改善診斷、工作流程、病患照護和治療效果。.
🔗 人工智慧會取代放射科醫師嗎？
探討自動化如何增強放射學，以及哪些方面仍保留著人性。.
🔗 人工智慧會取代醫生嗎？
客觀檢視人工智慧對醫師工作和執業的影響。.
🔗 用於科學發現的最佳人工智慧實驗室工具
頂尖人工智慧實驗室工具，加速實驗、分析和發現。.
一口氣說完生成式人工智慧在藥物發現中的作用😮💨
生成式人工智慧能夠幫助藥物研發團隊創建候選分子、預測其性質、提出修飾建議、規劃合成路線、探索生物學假設並縮短迭代周期——尤其是在早期藥物發現和先導化合物優化階段。 《自然》2023年（配體發現綜述） Elsevier 2024年綜述（從頭藥物設計中的生成模型）
沒錯，它也能自信地胡言亂語。這是它的特性之一。就像一個熱情過頭的實習生拿著火箭引擎一樣。臨床醫生指南（幻覺風險） npj 數位醫學 2025（幻覺 + 安全框架）
為什麼這件事比人們承認的更重要💥
許多發現性工作本質上都是「搜尋」。搜尋化學空間、搜尋生物學、搜尋文獻、搜尋結構-功能關係。問題在於化學空間……基本上是無限的。 《化學研究評論》2015（化學空間） Irwin & Shoichet 2009（化學空間尺度）
你可能要花好幾輩子才能嘗試所有「合理」的變體。.
生成式人工智慧改變了工作流程：
-
“讓我們看看我們能想到什麼。”
到：
-
“讓我們產生更多、更聰明的選項，然後測試其中最好的幾個。”
關鍵不在於摒棄實驗，而在於選擇更好的實驗。 🧠 《自然》2023（配體發現綜述）
此外，這一點常常被忽視，但它有助於跨學科團隊溝通。化學家、生物學家、藥物代謝動力學專家、計算科學家……每個人都有不同的思考模型。一個優秀的生成系統可以作為一個共享的草圖板。 《藥物發現前沿》2024 年評論
用於藥物發現的優秀生成式人工智慧版本應該具備哪些特質？ ✅
並非所有生成式人工智慧都一樣。在這個領域，「好的」版本與其說是炫目的演示，不如說是樸實無華的可靠性（在這裡，樸實無華反而是一種優點）。 《自然》2023（配體發現綜述）
一個好的生成式人工智慧系統通常具備以下特點：
-
領域基礎：針對化學、生物學和藥理學資料進行訓練或適配（而不僅僅是通用文本）🧬 Elsevier 2024 年綜述（生成模型）
-
第一代限制模型：它可以遵循親脂性範圍、骨架約束、結合位點特徵、選擇性目標等規則。 JCIM 2024（從頭藥物設計中的擴散模型） REINVENT 4（開放框架）
-
性質意識：它產生的分子不僅新穎，而且在 ADMET 方面也「不荒謬」 ADMETlab 2.0（為什麼早期 ADMET 很重要）
-
不確定性報告：它表明何時是猜測，何時是可靠的（即使是粗略的置信區間也有幫助） OECD QSAR 驗證原則（適用範圍）
-
人機互動控制：化學家可以快速引導、拒絕和控制輸出結果Nature 2023（工作流程 + 發現技術背景）
-
可追溯性：您可以了解某項建議的由來（至少部分如此），否則您就如同盲人摸象。經合組織 QSAR 指南（模型透明度 + 驗證）
-
評估架構：對接、QSAR、過濾器、逆合成檢查－全部整合🔧 Nature 2023（配體發現綜述） CASP 中的機器學習（Coley 2018）
-
偏差與洩漏控制：避免訓練資料記憶悄悄滲透（是的，這種情況確實會發生） USENIX 2021（訓練資料擷取） Vogt 2023（新穎性/獨特性問題）
如果你的生成式人工智慧無法處理約束條件，它基本上只是一個新奇生成器。在派對上或許有趣，但在戒毒治療中就沒那麼有趣了。.
生成式人工智慧在藥物研發流程中的作用🧭
以下是簡單的概念圖。生成式人工智慧幾乎可以應用於每個階段，但在迭代成本高且假設空間龐大的情況下，它的表現最為出色。 《自然》2023（配體發現綜述）
共同接觸點：
-
標靶發現與驗證（假設、路徑映射、生物標記推薦） 《藥物發現前沿》2024 年綜述
-
先導化合物辨識（虛擬篩選增強，從頭先導化合物產生） Nature Biotechnology 2019 (GENTRL)
-
先導化合物最佳化（建議類似物、多參數調優） REINVENT 4
-
臨床前支持（ADMET性質預測，有時提供製劑建議） ADMETlab 2.0
-
CMC 與合成規劃（逆合成建議、路線篩選） AiZynthFinder 2020 Coley 2017（電腦輔助逆合成）
-
知識工作（文獻綜述、競爭格局概述）📚 2025 年模式（藥物發現法學碩士）
在許多專案中，最大的成功並非源自於某個單一模式的“卓越”，而是源自於工作流程的整合。模型是引擎，流程是汽車。 《自然》2023（配體發現綜述）
比較表：藥物發現常用的生成式人工智慧方法📊
一張略有瑕疵的桌子，因為現實生活本身就略有瑕疵。.
| 工具/方法 | 最適合（觀眾） | 價格適中 | 它為何有效（以及何時無效） |
|---|---|---|---|
| 從頭分子生成器（SMILES、圖） | 藥物化學 + 計算化學 | $$-$$$ | 擅長快速探索新的類似物 😎 - 但也可能產生不穩定的不合適產物REINVENT 4 GENTRL (Nature Biotech 2019) |
| 蛋白質/結構產生器 | 生物製劑團隊，結構生物學 | $$$ | 有助於提出序列和結構——但「看起來合理」並不等於「有效」。 AlphaFold （Nature 2021） RFdiffusion（Nature 2023） |
| 擴散式分子設計 | 高階機器學習團隊 | $$-$$$$ | 擅長約束條件和多樣性－設定可以是一個完整的體系JCIM 2024（擴散模型） PMC 2025 擴散回顧 |
| 房地產預測輔助工具（QSAR + GenAI 組合） | DMPK，專案團隊 | $$ | 適用於分診和排名－但如果奉為圭臬則適得其反😬 OECD（適用範圍） ADMETlab 2.0 |
| 逆合成規劃者 | 工藝化學，CMC | $$-$$$ | 加速路線構思速度－但仍需人工進行可行性與安全性評估 AiZynthFinder 2020 Coley 2018 (CASP) |
| 多模態實驗室輔助駕駛（文字+偵測數據） | 翻譯團隊 | $$$ | 有助於從資料集中提取訊號－如果資料不完整，則容易過度自信。 《自然》2024（細胞影像中的批次效應） 《npj數位醫學》2025（生物技術中的多模態） |
| 文獻和假設助手 | 實際上，每個人 | $ | 大大縮短閱讀時間——但幻覺可能難以捉摸，就像襪子消失一樣。 《2025 年模式》（藥物發現法學碩士） 臨床醫師指南（幻覺） |
| 客製化的內部基礎模型 | 大製藥公司、資金雄厚的生技公司 | $$$$ | 最佳控制+整合－但也造價昂貴且耗時（抱歉，這是事實） 《藥物發現前沿》2024 年評論 |
注意：價格會根據規模、計算能力、許可方式以及您的團隊是想要「即插即用」還是「讓我們建造一艘太空船」而有很大差異。
深入了解：用於爆款發現和全新設計的生成式人工智慧🧩
這是主要應用案例：從頭開始（或從骨架開始）產生符合標靶特徵的候選分子。 Nature Biotechnology 2019 (GENTRL) REINVENT 4
實際操作通常是這樣的：
-
定義約束
-
標靶類別、結合口袋形狀、已知配體
-
性質範圍（溶解度、logP、PSA 等）利平斯基（5 法則脈絡）
-
新穎性限制（避開已知的智慧財產權區域）🧠 Vogt 2023（新穎性評估）
-
-
生成候選人
-
鷹架跳躍
-
片段生長
-
「裝飾這個核心」建議
-
多目標生成（結合+滲透+無毒性） REINVENT 4 Elsevier 2024 綜述（生成模型）
-
-
積極過濾
-
藥物化學規則
-
PAINS 與反應群過濾器Baell & Holloway 2010 (PAINS)
-
AiZynthFinder 2020 的可合成性檢查
-
對接/評分（不完美但有用） Nature 2023（配體發現綜述）
-
-
選擇一組小集合進行合成
-
人類仍然會挑剔，因為人類有時能聞出荒謬的東西。
-
令人尷尬的事實是：價值不僅僅在於“新分子”，而是符合你專案限制條件的新分子。最後一點才是關鍵。 《自然》2023（配體發現綜述）
另外，接下來可能有點誇張：如果做得好，你會覺得自己好像僱用了一群不知疲倦、從不睡覺、從不抱怨的年輕化學家。但話說回來，他們也不明白為什麼某種特定的保護策略會如此糟糕，所以…權衡一下😅。.
深入了解：利用生成式人工智慧進行潛在客戶最佳化（多參數調優）🎛️
銷售線索優化是夢想變得複雜的地方。.
你想要：
-
效力提升
-
選擇性提升
-
代謝穩定性提升
-
溶解度提高
-
安全訊號向下
-
滲透性“恰到好處”
-
而且仍然可以合成。
這是經典的多目標最佳化問題。生成式人工智慧特別擅長提出一系列權衡取捨的解決方案，而不是假裝存在一個完美的化合物。 REINVENT 4 Elsevier 2024 綜述（生成模型）
團隊實際應用的方法：
-
類似建議：“製作 30 種降低清除率但保持效力的變體”
-
取代基掃描：引導式探索而非蠻力枚舉
-
鷹架跳躍：當核心遇到瓶頸（毒性、智慧財產權或穩定性）時
-
解釋性建議：「這種極性基團可能有助於提高溶解度，但可能會降低滲透性」（並非總是正確，但很有幫助）
需要注意的是：性質預測模型可能很脆弱。如果你的訓練資料與你的化學系列不匹配，那麼模型很可能出錯。而且錯得離譜。它不會有任何歉意。 OECD QSAR 驗證原則（適用範圍） Weaver 2008（QSAR 適用範圍）
深入探討：ADMET、毒性以及「請不要終止專案」的篩選🧯
ADMET 是許多候選人悄悄失敗的地方。生成式人工智慧雖然無法解決生物學問題，但可以減少一些可以避免的錯誤。 ADMETlab 2.0 警告 2015（人員流失）
常見角色：
-
預測代謝缺陷（代謝部位、清除趨勢）
-
標記可能的毒性基序（警報、反應中間體代理）
-
估算溶解度和滲透率範圍
-
建議進行修改以降低 hERG 風險或提高穩定性 🧪 FDA（ICH E14/S7B 問答） EMA（ICH E14/S7B 概述）
最有效的模式往往是這樣的：使用 GenAI 提出方案，但使用專門的模型和實驗進行驗證。
生成式人工智慧是創意引擎，驗證仍然依賴實驗。.
深入了解：用於生物製劑和蛋白質工程的生成式人工智慧🧬✨
藥物研發不僅限於小分子藥物。生成式人工智慧還可用於：
-
抗體序列生成
-
親和力成熟建議
-
蛋白質穩定性改善
-
酵素工程
蛋白質和序列生成之所以強大，是因為序列的「語言」與機器學習方法出奇地契合。但要指出的是：這種契合度一開始很好……但之後就會失效。因為免疫原性、表現、糖基化模式和可開發性限制可能非常棘手。 AlphaFold （Nature 2021） ProteinGenerator（Nat Biotech 2024）
因此，最佳配置包括：
-
開發性篩選
-
免疫原性風險評分
-
製造工藝限制
-
用於快速迭代的濕實驗室循環 🧫
如果你跳過這些，你會看到一段華麗的片段，這段片段在製作過程中表現得像個耍大牌的明星。.
深入探討：合成規劃與逆合成建議🧰
生成式人工智慧也正在悄悄滲透到化學操作中，而不僅僅是分子構思。.
逆綜合規劃者可以：
-
提出合成目標化合物的路線
-
建議使用市售的起始原料
-
按步數或感知可行性對路線進行排名
-
幫助化學家快速排除「可愛但不可能」的想法AiZynthFinder 2020 Coley 2018 (CASP)
這可以節省大量時間，尤其是在探索多個候選結構時。然而，人為因素在這裡仍然至關重要，因為：
-
試劑可用性變化
-
安全和規模方面的擔憂是真實存在的。
-
有些步驟看起來沒問題，但卻屢屢失敗。
雖然這個比喻不太恰當，但我還是想用一下：逆合成人工智慧就像一個GPS，大部分時候都挺準的，但有時候它會把你引到湖里，還堅持說那是條捷徑。 🚗🌊 Coley 2017（電腦輔助逆合成）
數據、多模態模型以及實驗室裡不堪重負的現實🧾🧪
生成式人工智慧需要數據。實驗室產生數據。從理論上講，這很簡單。.
哈。不。.
真實的實驗室數據是：
-
未完成
-
吵雜
-
分散在各種格式中
-
擁有「創意」命名規則
多模態生成系統可以結合：
-
檢測結果
-
化學結構
-
影像（顯微鏡、組織學）
-
組學（轉錄組學、蛋白質組學）
-
文本（協議、電子實驗記錄本、報告） npj 數位醫學 2025（生物技術領域的多模態） 醫學影像分析 2025（醫學領域的多模態人工智慧）
它一旦奏效，效果就非常棒。你可以發現一些不易察覺的模式，並提出一些單一專家可能忽略的實驗方案。.
它失敗時，悄無聲息。它不會砰然關上大門，而是會潛移默化地引導你得出錯誤的結論。正因如此，治理、驗證和領域審查才不可或缺。 《臨床醫師指引（幻覺）》 《npj 數位醫學 2025（幻覺 + 安全框架）》
風險、限制以及「不要被流暢的輸出所迷惑」部分⚠️
如果只能記住一件事，那就記住：生成式人工智慧具有很強的說服力。它聽起來可能正確，但實際上卻是錯誤的。臨床醫師指引（幻覺）
主要風險：
-
幻覺機制：看似合理的生物學現象，但其實並非真實存在。臨床醫師指引（幻覺）
-
資料外洩：產生與已知化合物過於相似的物質USENIX 2021（訓練資料擷取） Vogt 2023（新穎性/獨特性問題）
-
過度優化：追求無法在體外轉化的預測分數Nature 2023（配體發現綜述）
-
偏差：訓練資料偏向某些化學類型或標靶Vogt 2023（模型評估 + 偏差/新穎性）
-
虛假新穎性：實際上是微不足道變異的「新」分子Vogt 2023
-
可解釋性差距：難以向利害關係人證明決策的合理性；經合組織定量構效關係（QSAR）驗證原則
-
安全與智慧財產權問題：提示訊息中包含敏感程序細節 😬 USENIX 2021（訓練資料擷取）
有助於實踐的緩解措施：
-
讓人類參與決策過程
-
日誌提示和輸出，以方便追溯
-
採用正交方法（檢測、替代模型）進行驗證
-
自動強制執行約束和過濾器
-
將輸出結果視為假設，而非真理宣言。經合組織QSAR指南
生成式人工智慧就像是一件電動工具。電動工具並不能讓你成為木匠……如果你不知道自己在做什麼，它們只會讓你犯錯得更快。.
團隊如何在不造成混亂的情況下採用生成式人工智慧🧩🛠️
團隊通常希望使用這項技術，但又不希望把組織變成科學展覽會。一個切實可行的採用路徑如下：
-
從一個瓶頸入手（先導化合物擴展、類似物生成、文獻篩選） Nature 2023（配體發現綜述）
-
建構一個嚴密的評估循環（篩選 + 對接 + 性質檢查 + 化學審查） REINVENT 4 AiZynthFinder 2020
-
衡量結果（節省時間、命中率、降低流失率） Waring 2015（流失率）
-
與現有工具（ELN、化合物註冊庫、檢測資料庫）愛丁堡ELN資源
-
建立使用規則（哪些內容可以提示，哪些內容保持離線狀態，審核步驟） USENIX 2021（資料擷取風險）
-
循序漸進地培訓人們（說真的，大多數錯誤都源於誤用，而不是模型本身）臨床醫生指南（幻覺）
另外，別低估文化的影響。如果化學家們覺得人工智慧是被強加在他們身上的，他們就會置之不理。但如果人工智慧能節省他們的時間，並且尊重他們的專業知識，他們很快就會接受。人類就是這麼奇妙🙂。.
從宏觀角度來看，生成式人工智慧在藥物發現中扮演著怎樣的角色？ 🔭
從更宏觀的角度來看，這個角色並非“取代科學家”，而是“拓展科學研究能力”。 （《自然》2023年配體發現綜述）
它對團隊有幫助：
-
每週探索更多假設
-
每個週期提出更多候選結構
-
更聰明地確定實驗的優先級
-
壓縮設計和測試之間的迭代循環
-
打破資訊孤島，共享知識2025 年模式（藥物發現法學碩士）
或許最容易被低估的一點是：它能幫助你避免將寶貴的人力創意浪費在重複性工作上。人們應該思考機制、策略和解釋，而不是花費數天時間手動產生變體列表。 《自然》2023（配體發現綜述）
所以，沒錯，生成式人工智慧在藥物發現中扮演加速器、生成器、過濾器，有時也會帶來麻煩的角色。但它絕對是有價值的。.
總結🧾✅
生成式人工智慧正成為現代藥物研發的核心能力，因為它能夠比人類更快地產生分子、假設、序列和合成路線，並且可以幫助團隊選擇更優的實驗方案。 《藥物發現前沿》2024 年綜述， 《自然》2023 年（配體發現綜述）。
重點總結：
-
它最擅長早期發現和線索優化循環 ⚙️ REINVENT 4
-
它支持小分子和生物製劑 GENTRL（Nature Biotech 2019） ProteinMPNN（Science 2022）
-
它透過拓寬思路管道來提高生產力Nature 2023（配體發現綜述）
-
它需要約束、驗證和人為因素，以避免盲目自信的經合組織QSAR原則 臨床醫生指南（幻覺）
-
最大的成功來自於工作流程的整合，而不是行銷噱頭。 《自然》2023（配體發現綜述）
如果你把它當作合作夥伴，而不是預言家，它就能真正推動專案進度。而如果你把它當作預言家……嗯，你可能最終會再次跟著GPS掉進湖裡。 🚗🌊
常問問題
生成式人工智慧在藥物研發中扮演什麼角色？
生成式人工智慧主要透過提出候選分子、蛋白質序列、合成路線和生物學假設，拓寬早期藥物發現和先導化合物優化的想法範圍。其價值不在於“替換實驗”，而是透過產生大量選項並進行嚴格篩選來“選擇更優的實驗”。它最適合作為嚴謹工作流程中的加速器，而非獨立的決策工具。.
在藥物研發流程中，生成式人工智慧在哪些環節表現最佳？
在假設空間龐大且迭代成本高的情況下，例如先導化合物發現、從頭設計、先導化合物優化，這種方法往往能發揮最大價值。團隊也會將其用於ADMET分級、逆合成分析建議以及文獻或假設支持。通常，最大的收益來自於將生成過程與篩選、評分和人工審核相結合，而不是期望單一模型就能「智慧」完成所有工作。
如何設定約束條件，使生成模型不會產生無用的分子？
一種實用的方法是先定義限制條件，然後再進行化合物生成：例如性質範圍（如溶解度或logP目標值）、骨架或子結構規則、結合位點特徵以及新穎性限制。然後強制執行藥物化學篩選（包括PAINS/反應基團）和可合成性檢查。約束優先生成方法對於擴散式分子設計和REINVENT 4等框架尤其有用，因為這些框架可以編碼多目標。.
團隊應如何驗證 GenAI 的產出結果以避免產生幻覺和過度自信？
將所有輸出結果視為假設而非結論，並透過檢測和正交模型進行驗證。在適當情況下，採用嚴格的篩選、分子對接或評分方法產生配對，並對 QSAR 型預測器進行適用範圍檢查。盡可能將不確定性視覺化，因為模型在非典型化學或不可靠的生物學聲明方面可能出現明顯的錯誤。人為幹預仍然是核心安全措施。.
如何防止資料外洩、智慧財產權風險和「記憶化」輸出？
利用治理和存取控制措施，防止敏感的程序細節被隨意放入提示中，並記錄提示/輸出以備審計。強制執行新穎性和相似性檢查，確保生成的候選化合物不會與已知化合物或受保護區域過於接近。明確規定哪些資料可以存取外部系統，並優先在受控環境中處理高敏感性工作。人工審核有助於及早發現「過於熟悉」的建議。.
生成式人工智慧如何用於線索優化和多參數調優？
在先導化合物優化中，生成式人工智慧的價值在於它可以提出多種權衡方案，而不是一味追求單一的「完美」化合物。常見的流程包括類似物推薦、引導式取代基掃描以及骨架躍遷，以應對效力、毒性或智慧財產權限制等問題。由於性質預測模型可能不夠可靠，團隊通常會使用多個模型對候選化合物進行排序，然後透過實驗驗證最佳方案。.
生成式人工智慧能否在生物製劑和蛋白質工程領域發揮作用？
是的——團隊會利用它進行抗體序列生成、親和力成熟度優化、穩定性提升以及酶或勝肽的探索。蛋白質/序列生成結果可能看起來很合理，但未必具備開發性，因此應用可開發性、免疫原性和可生產性篩選至關重要。像 AlphaFold 這樣的結構分析工具可以輔助推理，但「合理的結構」並不能證明其表達、功能或安全性。濕實驗環節仍不可少。.
生成式人工智慧如何支援綜合規劃和逆綜合？
逆合成規劃工具可以提供合成路線、起始原料和路線排序建議，加速構思速度並快速排除不可行的路徑。像 AiZynthFinder 這樣的規劃工具和方法，與化學家的實際可行性檢定結合時最為有效。原料的可用性、安全性、放大限制以及在實踐中失敗的「紙上反應」仍然需要人工判斷。這樣使用，既能節省時間，又不會讓人誤以為化學問題已經解決。.
參考
-
Nature -配體發現綜述 (2023) - nature.com
-
自然生物技術- GENTRL (2019) - nature.com
-
Nature - AlphaFold (2021) - nature.com
-
Nature - RFdiffusion (2023) - nature.com
-
自然生物技術—蛋白質生成器（2024） —— nature.com
-
《自然通訊》 ——細胞影像中的批次效應（2024） —— nature.com
-
npj 數位醫學-幻覺 + 安全框架 (2025) - nature.com
-
npj 數位醫學—生物技術中的多模式應用（2025） —— nature.com
-
科學- ProteinMPNN (2022) - science.org
-
細胞模式－藥物發現中的LLM（2025） —— cell.com
-
ScienceDirect（愛思唯爾） ——從頭藥物設計中的生成模型（2024） —— sciencedirect.com
-
ScienceDirect（愛思唯爾） - Vogt（2023）：新穎性/獨特性問題- sciencedirect.com
-
醫學影像分析（ScienceDirect） —醫學中的多模態人工智慧（2025） —— sciencedirect.com
-
PubMed Central -臨床醫生指南（幻覺風險） - nih.gov
-
《化學研究述評》（美國化學會出版品） ——化學空間（2015） —— acs.org
-
PubMed Central - Irwin & Shoichet (2009): 化學空間尺度- nih.gov
-
藥物發現前沿（PubMed Central） -綜述（2024） - nih.gov
-
《化學資訊與建模期刊》（美國化學會出版） ——從頭藥物設計中的擴散模型（2024） — acs.org
-
PubMed Central - REINVENT 4（開放框架） - nih.gov
-
PubMed Central - ADMETlab 2.0（早期 ADMET 事項） - nih.gov
-
經合組織- (Q)SAR 模型監管驗證原則- oecd.org
-
經合組織- (Q)SAR 模型驗證指南文件- oecd.org
-
《化學研究述評》（ACS 出版社） ——電腦輔助合成規劃 / CASP（Coley，2018） —— acs.org
-
ACS Central Science（ACS 出版物） ——電腦輔助逆合成（Coley，2017） —— acs.org
-
PubMed Central - AiZynthFinder (2020) - nih.gov
-
PubMed - Lipinski：五規則背景- nih.gov
-
《藥物化學雜誌》（美國化學會出版） - Baell & Holloway (2010): PAINS - acs.org
-
PubMed - Waring (2015): 損耗- nih.gov
-
PubMed - Rives (2021): 蛋白質語言模型- nih.gov
-
PubMed 中央- Leek 等人 (2010)：批次效應- nih.gov
-
PubMed Central -擴散綜述 (2025) - nih.gov
-
FDA - E14 和 S7B：QT/QTc 間期延長和致心律不整潛能的臨床和非臨床評估（問答） - fda.gov
-
歐洲藥品管理局- ICH E14/S7B 指南概述- europa.eu
-
USENIX - Carlini 等人 (2021)：從語言模型中提取訓練資料- usenix.org
-
愛丁堡大學 – 數位研究服務–電子實驗筆記本 (ELN) 資源– ed.ac.uk
-
ScienceDirect（愛思唯爾） - Weaver（2008）：QSAR適用範圍- sciencedirect.com