Экономические перспективы использования искусственного интеллекта и нейросетевых алгоритмовт в исследованиях биотехнологов поколения Z

Обложка

Цитировать

Аннотация

в статье рассматриваются вопросы применения платформ и сервисов на базе искусственного интеллекта в различных сферах современной биотехнологии на примерах реальных кейсов последних десятилетий. Затрагиваются вопросы практической целесообразности, экономических и коммерческих рисков, а также возможных перспектив и путей дальнейшего развития искусственного интеллекта (ИИ) в учебных исследованиях биотехнологов для поколения Z. Авторами представлен теоретический обзор применения искусственного интеллекта в современной биотехнологии и результаты анкетирования профильной аудитории по вопросам применения ИИ в биотехнологии в качестве прикладного аспекта исследования. Цель исследования: на основе анализа научных работ и проведенного анкетирования провести обзор внедрения и применения алгоритмов искусственного интеллекта в современной биотехнологии с акцентом на технологический потенциал, профессиональное восприятие сообщества и возможные этико-социальные риски и последствия и сделать вывод об эффективности и обоснованности его применения. Методы исследования: в качестве методов в проведенном исследовании авторы использовали декомпозицию, анализ, синтез. Также проводились опросы, анкетирование, анализ идей инноваций с использованием инструментария искусственного интеллекта – предложенных магистрантами при прохождении дисциплины «Экономика и инновации». Результаты: в представленном обзоре авторы неоднократно обращаются к реальным кейсам разработки и использования программ и алгоритмов для решения широкого круга задач современной биотехнологии, включая молекулярный докинг, дизайн генетических конструкций, и многие другие. Также проведенный анализ данных анкетирования демонстрирует преимущественно позитивную тенденцию внедрения алгоритмов ИИ для биотехнологов поколения Z. Выводы: проведен теоретический обзор научных работ по исследованию внедрения искусственного интеллекта в биотехнологической отрасли, анкетирование профильной аудитории по вопросам интеграции ИИ в профессиональной сфере (биотехнологии). Сделан вывод о перспективах и полезности искусственного интеллекта с учетом его роли в прорывных инновациях и многопрофильных учебных исследованиях.

Об авторах

Т. К Екшикеев

Санкт-Петербургский государственный химико-фармацевтический университет

Email: tager.ekshikeev@pharminnotech.com
ORCID iD: 0000-0002-9179-7398

Г. С Шепелин

Санкт-Петербургский государственный химико-фармацевтический университет

Email: Gleb.SHepelin@spcpu.ru
ORCID iD: 0009-0002-5527-1062

М. А Воробьев

Санкт-Петербургский государственный химико-фармацевтический университет

Email: Maksim.Vorobev@spcpu.ru
ORCID iD: 0009-0000-8277-5309

И. А Обухова

Санкт-Петербургский государственный лесотехнический университет

Email: iobukhova@inbox.ru
ORCID iD: 0000-0002-1472-1867

Список литературы

  1. Duan F., Duan C., Xu H., Zhao X., Sukhbaatar O., Gao J., Zhang M., Zhang W., Gu Y. AI-driven drug discovery from natural products // Advanced Agrochem. 2024. Vol. 3. No. 3. P. 185 – 187.
  2. Казакова Е.В., Трухин В.П., Наркевич И.А., Басакина И.И. Разработка адаптивной организационной структуры управления на примере экспортно ориентированного биотехнологического предприятия // Современная фармация: вызовы, ожидания, решения. Пермь: Федеральное государственное бюджетное образовательное учреждение высшего образования «Пермская государственная фармацевтическая академия» Министерства здравоохранения Российской Федерации, 2023. С. 114 – 118.
  3. Казакова Е.В., Трухин В.П., Наркевич И.А. и др. Методические подходы к оценке готовности персонала к инновационным процессам на примере экспортно-ориентированного биотехнологического предприятия //Медицинский вестник Башкортостана. 2023. Т. 18. № 5 (107). С. 53 – 59.
  4. DeCamp M, Tilburt JC. Why we cannot trust artificial intelligence in medicine // Lancet Digit Health. 2019. Vol. 1, No. 8. P. E390.
  5. Wallace P.J. Gaining Trust: Lessons and Opportunities for Artificial Intelligence in Health Care // The Permanente Journal. 2024. Vol. 28. No. 3. Р. 168 – 171.
  6. Shevtsova D., Ahmed A., Boot I.W.A, Sanges C., Hudecek M., Jacobs J.J.L., Hort S., Vrijhoef H.J.M. Trust in and Acceptance of Artificial Intelligence Applications in Medicine: Mixed Methods Study // JMIR Human Factors. 2024. Vol. 11. Р. e47031.
  7. Kerasidou C.X., Kerasidou A., Buscher M., Wilkinson S. Before and beyond trust: reliance in medical AI // Journal of Medical Ethics. 2022. Vol. 48, No. 11. Р. 852 – 856.
  8. Zhang J., Zhang Zm. Ethics and governance of trustworthy medical artificial intelligence // BMC Medical Informatics and Decision Making. 2023. Vol. 23. No. 7. Р. 1 – 15.
  9. Flores L., Kim S., Young S.D. Addressing bias in artificial intelligence for public health surveillance // Journal of Medical Ethics. 2024. Vol. 50, No. 3. Р. 190 – 194.
  10. Starke G., De Clercq E., Elger B.S. Towards a pragmatist dealing with algorithmic bias in medical machine learning // Medicine, Health Care and Philosophy. 2021. Vol. 24. Р. 341 – 349.
  11. Strack R. Protein-ligand structure prediction // Nature Methods. 2024. Vol. 21. No. 549. Р. 1 – 13.
  12. Bian Y., Xie X.Q. Generative chemistry: drug discovery with deep learning generative models // Journal of Molecular Modeling. 2021. Vol. 27. No. 71. Р. 1 – 32.
  13. Fihn S.D., Jacobs E.A., Kim H.S., Perencevich E.N. JAMA Network Open-The Year in Review, 2024 // JAMA Network Open. 2025. Vol. 8. No. 3. Р.e257199.
  14. Zeng C., Schlueter D.J., Tran T.C., Babbar A., Cassini T., Bastarache L.A., Denny J.C. Comparison of phenomic profiles in the All of Us Research Program against the US general population and the UK Biobank // Journal of the American Medical Informatics Association. 2024. Vol. 31. No. 4. Р. 846 – 854.
  15. Blanchard A.E., Stanley C., Bhowmik D. Using GANs with adaptive training data to search for new molecules // Journal Cheminformatics. 2021. Vol. 13, No. 14. Р. 1 – 8.
  16. Hatz S., Spangler S., Bender A., Studham M., Haselmayer P., Lacoste A.M.B., et al. Identification of pharmacodynamic biomarker hypotheses through literature analysis with IBM Watson // PLoS ONE. 2019. Vol. 14. No. 4. Р. e0214619.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).