Μεγάλα δεδομένα και τεχνητή νοημοσύνη στην έρευνα για τα SARM και τα αναβολικά

Εισαγωγή

Το τοπίο της βιοϊατρικής και φαρμακευτικής έρευνας μεταβάλλεται ραγδαία. Οι εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI), της μηχανικής μάθησης, του cloud computing και της ανάλυσης δεδομένων μεγάλης κλίμακας επιτρέπουν στους ερευνητές να εξετάζουν βιολογικές και χημικές πληροφορίες σε μια κλίμακα που ήταν δύσκολο να φανταστεί κανείς μόλις πριν από μερικές δεκαετίες.

Η έρευνα που αφορά τους εκλεκτικούς ρυθμιστές των ανδρογόνων υποδοχέων (SARMs) και τις αναβολικές ενώσεις βασίζεται επίσης όλο και περισσότερο στα δεδομένα. Οι επιστήμονες μπορούν πλέον να αναλύουν μεγάλες συλλογές χημικών δομών, εργαστηριακών μετρήσεων, βιολογικών παρατηρήσεων και δημοσιευμένων ερευνών, προκειμένου να εντοπίσουν μοτίβα και σχέσεις που, διαφορετικά, θα ήταν δύσκολο να ανιχνευθούν.

Ενώ οι SARM και οι αναβολικοί παράγοντες εξακολουθούν να αποτελούν αντικείμενο επιστημονικού και ρυθμιστικού ενδιαφέροντος, η σύγχρονη τεχνολογία βοηθά τους ερευνητές να κατανοήσουν τα μοριακά χαρακτηριστικά, τη βιολογική δραστηριότητα, τα αναλυτικά προφίλ και τους πιθανούς κινδύνους τους με μεγαλύτερη ακρίβεια.

Η Άνοδος της Έρευνας που Βασίζεται στα Δεδομένα

Η παραδοσιακή επιστημονική έρευνα συχνά περιλαμβάνει προσεκτικά σχεδιασμένα πειράματα που εξετάζουν έναν σχετικά περιορισμένο αριθμό μεταβλητών. Οι ερευνητές συλλέγουν μετρήσεις, τις αναλύουν και καταλήγουν σε συμπεράσματα με βάση τα διαθέσιμα στοιχεία.

Τα μεγάλα δεδομένα αλλάζουν αυτή τη διαδικασία, επιτρέποντας στους επιστήμονες να εργάζονται με τεράστια σύνολα δεδομένων.

Στη φαρμακευτική και χημική έρευνα, αυτά τα σύνολα δεδομένων μπορούν να περιλαμβάνουν μοριακές δομές, αλληλεπιδράσεις υποδοχέων, αποτελέσματα αναλυτικής χημείας, φαρμακολογικές παρατηρήσεις, τοξικολογικές πληροφορίες, γονιδιωματικά δεδομένα και χιλιάδες δημοσιευμένες επιστημονικές μελέτες.

Αντί να εξετάζουν μεμονωμένα μία ένωση ή ένα πείραμα, οι ερευνητές μπορούν να χρησιμοποιούν υπολογιστικά συστήματα για να συγκρίνουν πληροφορίες από μεγάλο αριθμό ενώσεων και πειραμάτων.

Αυτό δημιουργεί ευκαιρίες για τον εντοπισμό τάσεων που ενδέχεται να μην είναι άμεσα ορατές μέσω της συμβατικής ανάλυσης.

Για τα SARM και την έρευνα στον τομέα των αναβολικών, αυτό μπορεί να είναι ιδιαίτερα πολύτιμο, καθώς οι ερευνητές ενδιαφέρονται για τις σχέσεις μεταξύ μοριακής δομής, δραστηριότητας των υποδοχέων, βιολογικών επιδράσεων, μεταβολισμού και πιθανών ανεπιθύμητων ενεργειών.

Πώς χρησιμοποιείται η τεχνητή νοημοσύνη στην έρευνα για τις χημικές ενώσεις

Η τεχνητή νοημοσύνη μετατρέπεται ολοένα και περισσότερο σε εργαλείο υποστήριξης της έρευνας και όχι απλώς σε μια θεωρητική τεχνολογία.

Οι αλγόριθμοι μηχανικής μάθησης μπορούν να επεξεργάζονται μεγάλα σύνολα δεδομένων και να εντοπίζουν στατιστικές σχέσεις μεταξύ διαφορετικών μεταβλητών. Στη φαρμακευτική έρευνα, διερευνώνται παρόμοιες προσεγγίσεις για την πρόβλεψη μοριακών ιδιοτήτων, την ανάλυση της βιολογικής δραστηριότητας και την ιεράρχηση των ενώσεων για περαιτέρω εργαστηριακή διερεύνηση.

Μια σημαντική εφαρμογή είναι η μοριακή μοντελοποίηση.

Οι επιστήμονες μπορούν να χρησιμοποιούν υπολογιστικά μοντέλα για να μελετήσουν τον τρόπο με τον οποίο τα μόρια αλληλεπιδρούν με βιολογικούς στόχους. Τα μοντέλα αυτά δεν αντικαθιστούν τα εργαστηριακά πειράματα, αλλά μπορούν να βοηθήσουν τους ερευνητές να προσδιορίσουν ποια ερωτήματα αξίζει να διερευνηθούν πειραματικά.

Η τεχνητή νοημοσύνη μπορεί επίσης να βοηθήσει στην ταξινόμηση χημικών πληροφοριών. Όταν οι ερευνητές έχουν χιλιάδες ενώσεις να αναλύσουν, τα αυτοματοποιημένα συστήματα μπορούν να οργανώσουν τα μόρια σύμφωνα με δομικά χαρακτηριστικά, προβλεπόμενες ιδιότητες ή ομοιότητες στα διαθέσιμα πειραματικά δεδομένα.

Αυτό μπορεί να καταστήσει τη διαδικασία της έρευνας σημαντικά πιο αποδοτική.

Μεγάλα δεδομένα και έρευνα για τα SARM

Τα SARM έχουν προσελκύσει το επιστημονικό ενδιαφέρον επειδή έχουν σχεδιαστεί για να αλληλεπιδρούν με τους υποδοχείς ανδρογόνων με επιλεκτικό τρόπο. Η κατανόηση αυτών των αλληλεπιδράσεων απαιτεί από τους ερευνητές να εξετάσουν τη χημεία, τη μοριακή βιολογία, τη φαρμακολογία, το μεταβολισμό και την τοξικολογία.

Τα μεγάλα δεδομένα μπορούν να συνενώσουν αυτούς τους τομείς.

Οι ερευνητές μπορούν να συγκρίνουν πληροφορίες από διαφορετικές μελέτες για να διερευνήσουν πώς οι δομικές διαφορές μεταξύ των ενώσεων μπορεί να σχετίζονται με τη βιολογική δραστηριότητα. Οι υπολογιστικές προσεγγίσεις μπορούν επίσης να βοηθήσουν τους ερευνητές να οργανώσουν τα δημοσιευμένα ευρήματα και να εντοπίσουν τομείς όπου απαιτείται περαιτέρω έρευνα.

Ωστόσο, τα μεγάλα σύνολα δεδομένων δεν οδηγούν αυτόματα σε αξιόπιστα συμπεράσματα.

Η ποιότητα των υποκείμενων πληροφοριών παραμένει κρίσιμη. Εάν τα σύνολα δεδομένων περιέχουν ασυνεπείς μετρήσεις, ελλιπή αναφορά ή μεθοδολογικές διαφορές, ένα μοντέλο τεχνητής νοημοσύνης μπορεί να αναπαράγει αυτούς τους περιορισμούς.

Κατά συνέπεια, η ποιότητα των δεδομένων και η επιστημονική επικύρωση παραμένουν θεμελιώδεις.

Ανάλυση βιβλιογραφίας με τη βοήθεια της τεχνητής νοημοσύνης

Μια άλλη σημαντική εξέλιξη είναι η δυνατότητα ανάλυσης της επιστημονικής βιβλιογραφίας σε μεγάλη κλίμακα.

Υπάρχει τεράστιος αριθμός δημοσιεύσεων που καλύπτουν τη φαρμακολογία, την ενδοκρινολογία, την αναλυτική χημεία, την τοξικολογία, τη μοριακή βιολογία και συναφείς επιστημονικούς κλάδους. Η χειροκίνητη ανασκόπηση κάθε σχετικής δημοσίευσης μπορεί να είναι εξαιρετικά χρονοβόρα.

Τα συστήματα που υποστηρίζονται από τεχνητή νοημοσύνη μπορούν να βοηθήσουν τους ερευνητές να οργανώσουν και να αναλύσουν αυτές τις πληροφορίες.

Η επεξεργασία φυσικής γλώσσας μπορεί να εντοπίσει επαναλαμβανόμενες έννοιες, χημικές ονομασίες, βιολογικούς στόχους, πειραματικές μεθόδους και σχέσεις μεταξύ ευρημάτων. Στη συνέχεια, οι ερευνητές μπορούν να χρησιμοποιήσουν αυτά τα συστήματα για να εντοπίσουν σχετικά στοιχεία πιο αποτελεσματικά.

Όσον αφορά τα SARM και την έρευνα για τα αναβολικά, αυτό μπορεί να βοηθήσει τους επιστήμονες να χαρτογραφήσουν πώς έχουν αλλάξει τα ερευνητικά ενδιαφέροντα με την πάροδο του χρόνου.

Για παράδειγμα, η υπολογιστική ανάλυση της βιβλιογραφίας θα μπορούσε να αποκαλύψει αυξανόμενο ενδιαφέρον για τις αναλυτικές δοκιμές, το μεταβολισμό, την επιλεκτικότητα των υποδοχέων, την αξιολόγηση της ασφάλειας ή τις καινοτόμες εργαστηριακές τεχνικές.

Η τεχνητή νοημοσύνη δεν εξαλείφει την ανάγκη για ανθρώπινη επιστημονική κρίση. Αντίθετα, μπορεί να λειτουργήσει ως ερευνητικός βοηθός που βοηθά τους ερευνητές να πλοηγηθούν σε μεγάλους όγκους πληροφοριών.

Προγνωστικά μοντέλα και ανακάλυψη φαρμάκων

Μία από τις πιο ελπιδοφόρες εφαρμογές της τεχνητής νοημοσύνης στη φαρμακευτική επιστήμη είναι η προγνωστική μοντελοποίηση.

Πριν μια ένωση υποβληθεί σε εκτεταμένες πειραματικές δοκιμές, οι ερευνητές ενδέχεται να επιθυμούν να κατανοήσουν ορισμένα χαρακτηριστικά της μοριακής συμπεριφοράς της. Τα υπολογιστικά μοντέλα μπορούν ενδεχομένως να εκτιμήσουν ιδιότητες με βάση πληροφορίες από μόρια που έχουν μελετηθεί στο παρελθόν.

Αυτή η προσέγγιση μπορεί να βοηθήσει τους επιστήμονες να καθορίσουν τις προτεραιότητες των εργαστηριακών ερευνών.

Αντί να δοκιμάζουν κάθε θεωρητική ένωση, οι ερευνητές μπορούν να χρησιμοποιήσουν υπολογιστική διαλογή για να εντοπίσουν υποψήφιες ενώσεις που φαίνονται επιστημονικά ενδιαφέρουσες.

Στο ευρύτερο πεδίο της έρευνας για τους υποδοχείς ανδρογόνων, αυτό θα μπορούσε να υποστηρίξει έρευνες σχετικά με τη μοριακή δομή, τις αλληλεπιδράσεις των υποδοχέων, την επιλεκτικότητα, το μεταβολισμό και άλλα χαρακτηριστικά.

Είναι σημαντικό να σημειωθεί ότι οι υπολογιστικές προβλέψεις παραμένουν απλώς προβλέψεις. Ένα μοντέλο δεν μπορεί από μόνο του να αποδείξει ένα βιολογικό γεγονός. Εξακολουθούν να απαιτούνται εργαστηριακά πειράματα και κατάλληλη επιστημονική επικύρωση.

Η σημασία των εργαστηριακών δοκιμών

Καθώς η ανάλυση δεδομένων γίνεται όλο και πιο εξελιγμένη, οι αναλυτικές εργαστηριακές δοκιμές παραμένουν απαραίτητες.

Τεχνικές όπως η υγρή χρωματογραφία υψηλής απόδοσης (HPLC), η υγρή χρωματογραφία-φασματομετρία μάζας (LC-MS) και η φασματοσκοπία πυρηνικού μαγνητικού συντονισμού (NMR) μπορούν να παρέχουν λεπτομερείς πληροφορίες σχετικά με τις χημικές ουσίες.

Αυτές οι μέθοδοι μπορούν να βοηθήσουν τους ερευνητές να διερευνήσουν ζητήματα που αφορούν την ταυτότητα, την καθαρότητα, τη σύνθεση, τα προϊόντα αποικοδόμησης και τα χημικά χαρακτηριστικά.

Τα μεγάλα δεδομένα μπορούν να καταστήσουν την εργαστηριακή ανάλυση ακόμη πιο χρήσιμη.

Ένα εργαστήριο μπορεί να παράγει χιλιάδες μετρήσεις με την πάροδο του χρόνου. Τα ψηφιακά συστήματα μπορούν να αποθηκεύουν αυτά τα αποτελέσματα, να τα συγκρίνουν με προηγούμενες παρατηρήσεις και να εντοπίζουν ασυνήθιστα μοτίβα.

Τα συστήματα μηχανικής μάθησης μπορούν ενδεχομένως να βοηθήσουν στην αναγνώριση αναλυτικών χαρακτηριστικών ή στον εντοπισμό ανωμαλιών που απαιτούν περαιτέρω διερεύνηση.

Αυτό δημιουργεί μια σύνδεση μεταξύ της παραδοσιακής αναλυτικής χημείας και της σύγχρονης υπολογιστικής επιστήμης.

Η ποιότητα των δεδομένων είναι πιο σημαντική από την ποσότητά τους

Μία από τις μεγαλύτερες παρανοήσεις σχετικά με τα μεγάλα δεδομένα είναι ότι περισσότερες πληροφορίες σημαίνουν αυτόματα καλύτερη έρευνα.

Δεν ισχύει αυτό.

Ένα τεράστιο σύνολο δεδομένων που περιέχει αναξιόπιστες ή ασυνεπείς πληροφορίες μπορεί να οδηγήσει σε παραπλανητικά συμπεράσματα. Τα συστήματα τεχνητής νοημοσύνης μαθαίνουν από τις πληροφορίες που λαμβάνουν, πράγμα που σημαίνει ότι η εισαγωγή δεδομένων κακής ποιότητας μπορεί να επηρεάσει αρνητικά τα αποτελέσματα.

Γι' αυτό οι επιστημονικοί ερευνητές δίνουν μεγάλη έμφαση στην επικύρωση των δεδομένων, στις τυποποιημένες μεθοδολογίες, στη διαφανή αναφορά και στην αναπαραγωγιμότητα.

Κατά τη σύγκριση ερευνών που αφορούν SARM ή αναβολικές ενώσεις, οι ερευνητές πρέπει να λαμβάνουν υπόψη τις διαφορές στον σχεδιασμό των πειραμάτων, στον αναλυτικό εξοπλισμό, στην προετοιμασία των δειγμάτων, στα βιολογικά μοντέλα και στις τεχνικές μέτρησης.

Η τυποποίηση επιτρέπει στα σύνολα δεδομένων από διαφορετικά πειράματα να γίνουν πιο συγκρίσιμα.

Χωρίς αυτήν, τα φαινομενικά μοτίβα μπορεί απλώς να αντανακλούν διαφορές στη μεθοδολογία.

Τεχνητή Νοημοσύνη και Έρευνα για την Ασφάλεια

Ένας άλλος σημαντικός τομέας είναι η έρευνα για την ασφάλεια.

Τα SARM και οι αναβολικές ενώσεις μπορεί να έχουν πολύπλοκες βιολογικές επιδράσεις, καθιστώντας την αξιολόγηση της ασφάλειας σημαντικό συστατικό της επιστημονικής έρευνας.

Τα μεγάλα σύνολα δεδομένων μπορούν να βοηθήσουν τους ερευνητές να εξετάσουν τις σχέσεις μεταξύ των ενώσεων και των παρατηρούμενων βιολογικών αποτελεσμάτων. Τα υπολογιστικά συστήματα μπορούν ενδεχομένως να βοηθήσουν τους ερευνητές στον εντοπισμό μοτίβων σε τοξικολογικές μελέτες, φαρμακολογικά σύνολα δεδομένων και άλλες πηγές τεκμηρίωσης.

Αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη μπορεί να καθορίσει ανεξάρτητα εάν μια ένωση είναι ασφαλής.

Η αξιολόγηση της ασφάλειας απαιτεί πολλαπλές μορφές τεκμηρίωσης, συμπεριλαμβανομένης της εργαστηριακής έρευνας, επικυρωμένων πειραματικών μοντέλων, κλινικών στοιχείων όπου αυτό ισχύει, καθώς και προσεκτικής ερμηνείας από εξειδικευμένους επιστήμονες.

Η τεχνητή νοημοσύνη μπορεί να υποστηρίξει αυτή τη διαδικασία βοηθώντας τους ερευνητές να διαχειρίζονται και να αναλύουν πληροφορίες, αλλά δεν αντικαθιστά την επιστημονική εποπτεία.

Ο ρόλος των δεδομένων από τον πραγματικό κόσμο

Η σύγχρονη έρευνα δείχνει επίσης όλο και μεγαλύτερο ενδιαφέρον για τα δεδομένα από τον πραγματικό κόσμο.

Τα ηλεκτρονικά ιατρικά αρχεία, οι βάσεις δεδομένων εργαστηρίων, τα μητρώα έρευνας και άλλες μεγάλες πηγές πληροφοριών μπορούν να παρέχουν στους ερευνητές εκτεταμένα σύνολα δεδομένων.

Όταν συλλέγονται κατάλληλα, ανωνυμοποιούνται και διέπονται από δεοντολογικούς κανόνες, οι πληροφορίες αυτές μπορούν να βοηθήσουν τους ερευνητές να διερευνήσουν ευρύτερες τάσεις.

Ωστόσο, τα σύνολα δεδομένων από τον πραγματικό κόσμο μπορεί να περιέχουν συγχυτικούς παράγοντες. Μια συσχέτιση μεταξύ δύο μεταβλητών δεν αποδεικνύει απαραίτητα ότι η μία προκάλεσε την άλλη.

Για τον λόγο αυτό, οι ερευνητές πρέπει να διακρίνουν προσεκτικά μεταξύ συσχέτισης και αιτιώδους συνάφειας.

Η τεχνητή νοημοσύνη μπορεί να εντοπίσει συσχετίσεις εξαιρετικά γρήγορα, αλλά η ερμηνεία αυτών των συσχετίσεων εξακολουθεί να απαιτεί επιστημονική εμπειρογνωμοσύνη.

Η DutchSarm και η σημασία της διαφάνειας στην έρευνα

Για τους καταναλωτές και τους ερευνητές που ενδιαφέρονται για το ευρύτερο τοπίο των SARM, η DutchSarm αποτελεί ένα παράδειγμα μάρκας που δραστηριοποιείται στην αγορά ερευνητικών ενώσεων. Καθώς το ενδιαφέρον για τα SARM συνεχίζει να πυροδοτεί συζητήσεις στο διαδίκτυο, οι διαφανείς πληροφορίες για τα προϊόντα, η υπεύθυνη επικοινωνία και η προσοχή στην εργαστηριακή τεκμηρίωση αποτελούν ολοένα και πιο σημαντικά κριτήρια κατά την αξιολόγηση των πληροφοριών σχετικά με τις ερευνητικές ενώσεις.

Η DutchAnabole και η ευρύτερη αγορά αναβολικών

Η DutchAnabole δραστηριοποιείται στην ευρύτερη αγορά που επικεντρώνεται στα αναβολικά, όπου οι συζητήσεις σχετικά με τις πληροφορίες για τις ενώσεις, την ταυτότητα των προϊόντων, τις εργαστηριακές αναλύσεις και την έρευνα συνεχίζουν να εξελίσσονται. Η αυξανόμενη επιρροή της επιστήμης των δεδομένων σημαίνει ότι η μελλοντική αξιολόγηση των αναβολικών ενώσεων πιθανότατα θα εξαρτάται όλο και περισσότερο από αναλυτικά στοιχεία και επιστημονικά τεκμηριωμένες πληροφορίες, παρά από ισχυρισμούς που βασίζονται αποκλειστικά στο μάρκετινγκ ή σε ανεκδοτικές εμπειρίες.

Το μέλλον της έρευνας με βάση την τεχνητή νοημοσύνη

Το επόμενο στάδιο της έρευνας θα περιλαμβάνει πιθανώς όλο και πιο εξελιγμένους συνδυασμούς τεχνητής νοημοσύνης, εργαστηριακής επιστήμης και μεγάλων συνόλων δεδομένων.

Οι ερευνητές ενδέχεται να χρησιμοποιήσουν την τεχνητή νοημοσύνη για τον εντοπισμό προτύπων, την υπολογιστική χημεία για τη μοντελοποίηση της μοριακής συμπεριφοράς, αυτοματοποιημένα εργαστηριακά συστήματα για τη λήψη μετρήσεων και βάσεις δεδομένων που βασίζονται στο cloud για τον συνδυασμό αποτελεσμάτων από πολλαπλά ερευνητικά περιβάλλοντα.

Αυτό θα μπορούσε να επιταχύνει τις επιστημονικές ανακαλύψεις, μειώνοντας παράλληλα τον όγκο των επαναλαμβανόμενων αναλύσεων που οι ερευνητές πρέπει να εκτελούν χειροκίνητα.

Ταυτόχρονα, οι ρυθμιστικές και ηθικές πτυχές θα αποκτήσουν όλο και μεγαλύτερη σημασία.

Καθώς η τεχνητή νοημοσύνη γίνεται όλο και πιο ικανή, οι ερευνητές θα πρέπει να διασφαλίζουν ότι τα μοντέλα είναι διαφανή, τα σύνολα δεδομένων επικυρώνονται κατάλληλα και τα συμπεράσματα εξακολουθούν να βασίζονται σε αποδεικτικά στοιχεία που υποστηρίζονται πειραματικά.

Η ανθρώπινη εμπειρογνωμοσύνη εξακολουθεί να έχει σημασία

Παρά την ταχεία ανάπτυξη της τεχνητής νοημοσύνης, οι επιστήμονες εξακολουθούν να διαδραματίζουν κεντρικό ρόλο στη διαδικασία της έρευνας.

Ένας αλγόριθμος μπορεί να εντοπίσει ένα στατιστικό μοτίβο, αλλά οι επιστήμονες πρέπει να καθορίσουν εάν αυτό το μοτίβο έχει βιολογική σημασία.

Η τεχνητή νοημοσύνη μπορεί να παράγει μια πρόβλεψη, αλλά τα εργαστηριακά πειράματα πρέπει να καθορίσουν αν η πρόβλεψη ισχύει.

Ένας υπολογιστής μπορεί να επεξεργαστεί χιλιάδες επιστημονικές δημοσιεύσεις, αλλά οι ερευνητές εξακολουθούν να πρέπει να αξιολογούν την ποιότητα της μελέτης, τη μεθοδολογία, τους περιορισμούς και το πλαίσιο.

Το πιο αποτελεσματικό ερευνητικό περιβάλλον του μέλλοντος θα συνδυάζει, επομένως, την υπολογιστική τεχνολογία με την ανθρώπινη εμπειρογνωμοσύνη.

Συμπέρασμα

Τα μεγάλα δεδομένα και η τεχνητή νοημοσύνη μετασχηματίζουν τον τρόπο με τον οποίο οι επιστήμονες προσεγγίζουν τα SARM και την έρευνα στον τομέα των αναβολικών. Αντί να εξετάζουν μεμονωμένα πειράματα ή ενώσεις, οι ερευνητές μπορούν πλέον να αναλύουν ολοένα και περισσότερο τεράστιες συλλογές χημικών, βιολογικών, αναλυτικών και επιστημονικών πληροφοριών.

Η ανάλυση της βιβλιογραφίας με τη βοήθεια της τεχνητής νοημοσύνης μπορεί να επιταχύνει τις ερευνητικές ανακαλύψεις. Τα μοντέλα μηχανικής μάθησης μπορούν να βοηθήσουν τους ερευνητές να διερευνήσουν τις μοριακές σχέσεις. Οι πλατφόρμες μεγάλων δεδομένων μπορούν να συνδέουν πληροφορίες από διαφορετικά πειράματα, ενώ η σύγχρονη αναλυτική χημεία παρέχει τα πειραματικά στοιχεία που απαιτούνται για την επικύρωση των υπολογιστικών προβλέψεων.

Ωστόσο, η τεχνολογία δεν αντικαθιστά τις βασικές αρχές της ορθής επιστήμης.

Τα αξιόπιστα σύνολα δεδομένων, οι επικυρωμένες εργαστηριακές μέθοδοι, τα αναπαραγώγιμα πειράματα, η διαφανής αναφορά αποτελεσμάτων και η ερμηνεία από ειδικούς παραμένουν απαραίτητα.

Επομένως, το μέλλον των SARM και της έρευνας για τα αναβολικά είναι απίθανο να καθοριστεί μόνο από την τεχνητή νοημοσύνη. Αντίθετα, θα διαμορφωθεί από τον συνδυασμό μεγάλων δεδομένων, τεχνητής νοημοσύνης, προηγμένων εργαστηριακών δοκιμών, υπολογιστικής χημείας και ανθρώπινης επιστημονικής εμπειρογνωμοσύνης.

Καθώς αυτές οι τεχνολογίες συνεχίζουν να εξελίσσονται, οι ερευνητές θα διαθέτουν ολοένα και πιο ισχυρά εργαλεία για να θέτουν πιο σύνθετα ερωτήματα σχετικά με τις μοριακές ενώσεις, τη βιολογική δραστηριότητα, τα αναλυτικά χαρακτηριστικά και την ασφάλεια. Το αποτέλεσμα θα μπορούσε να είναι ένα ερευνητικό περιβάλλον ταχύτερο, πλουσιότερο σε δεδομένα και ενδεχομένως πιο ακριβές από οτιδήποτε είχαν στη διάθεσή τους οι επιστήμονες των προηγούμενων γενεών.