Qual é o papel da IA ​​generativa na descoberta de medicamentos?

Qual o papel da IA ​​generativa na descoberta de medicamentos?

Resposta curta: A IA generativa acelera principalmente a descoberta inicial de medicamentos ao gerar moléculas candidatas ou sequências de proteínas, propor rotas de síntese e apresentar hipóteses testáveis, permitindo que as equipes realizem menos experimentos "cegos". Ela apresenta melhor desempenho quando restrições rígidas são impostas e os resultados são validados; tratada como um oráculo, pode induzir a erros com certa segurança.

Principais conclusões:

Aceleração : Use o GenAI para ampliar a geração de ideias e, em seguida, refine-as com uma filtragem rigorosa.

Restrições : Exigir intervalos de propriedades, regras de estrutura e limites de novidade antes da geração.

Validação : Trate os resultados como hipóteses; confirme com ensaios e modelos ortogonais.

Rastreabilidade : Registre as solicitações, os resultados e a justificativa para que as decisões permaneçam auditáveis ​​e passíveis de revisão.

Resistência ao uso indevido : Prevenir vazamentos e excesso de confiança por meio de governança, controles de acesso e revisão humana.

Qual o papel da IA ​​generativa na descoberta de fármacos? Infográfico

Artigos que você pode gostar de ler depois deste:

🔗 O papel da IA ​​na área da saúde
Como a IA melhora o diagnóstico, os fluxos de trabalho, o atendimento ao paciente e os resultados.

🔗 Será que a IA substituirá os radiologistas?
Explora como a automação aprimora a radiologia e o que permanece humano.

🔗 Será que a inteligência artificial vai substituir os médicos?
Uma análise honesta do impacto da IA ​​no trabalho e na prática médica.

🔗 As melhores ferramentas de laboratório de IA para descobertas científicas
As melhores ferramentas de laboratório de IA para acelerar experimentos, análises e descobertas.

O papel da IA ​​generativa na descoberta de medicamentos, em poucas palavras 😮💨

A IA generativa auxilia equipes farmacêuticas na criação de moléculas candidatas, na previsão de propriedades, na sugestão de modificações, na proposição de rotas de síntese, na exploração de hipóteses biológicas e na redução dos ciclos de iteração — especialmente nas fases iniciais de descoberta e otimização de compostos líderes. Nature 2023 (revisão sobre descoberta de ligantes); Elsevier 2024 (revisão sobre modelos generativos no planejamento de novos fármacos).

E sim, também pode gerar absurdos com muita facilidade. Faz parte do processo. Como um estagiário muito entusiasmado com um motor de foguete. Guia para clínicos (risco de alucinações) npj Digital Medicine 2025 (alucinação + estrutura de segurança)

Por que isso importa mais do que as pessoas admitem 💥

Grande parte do trabalho de descoberta é "busca". Busca no espaço químico, busca na biologia, busca na literatura, busca nas relações estrutura-função. O problema é que o espaço químico é... basicamente infinito. Accounts of Chemical Research 2015 (espaço químico) Irwin & Shoichet 2009 (escala do espaço químico)

Você poderia passar várias vidas apenas tentando variações "razoáveis".

A IA generativa muda o fluxo de trabalho de:

  • “Vamos testar o que conseguimos imaginar”

para:

  • “Vamos gerar um conjunto maior e mais inteligente de opções e, em seguida, testar as melhores.”

Não se trata de eliminar experimentos. Trata-se de escolher experimentos melhores . 🧠 Nature 2023 (revisão de descoberta de ligantes)

Além disso, e isso é pouco discutido, facilita a comunicação entre equipes interdisciplinares . Químicos, biólogos, especialistas em DMPK (farmacocinética e farmacocinética), cientistas da computação... cada um tem modelos mentais diferentes. Um bom sistema generativo pode servir como um bloco de rascunhos compartilhado. (Revisão da Frontiers in Drug Discovery 2024)

O que torna uma versão de IA generativa boa para a descoberta de medicamentos? ✅

Nem toda IA ​​generativa é criada da mesma forma. Uma versão "boa" para este campo tem menos a ver com demonstrações chamativas e mais com confiabilidade discreta (a discrição é uma virtude aqui). Nature 2023 (revisão de descoberta de ligantes)

Uma boa configuração de IA generativa normalmente possui:

Se sua IA generativa não consegue lidar com restrições, ela basicamente se torna um gerador de novidades. Divertida em festas. Nem tanto em um programa de reabilitação.

Onde a IA generativa se encaixa no processo de descoberta de medicamentos 🧭

Eis um mapa mental simplificado. A IA generativa pode contribuir para quase todas as etapas, mas apresenta melhor desempenho onde a iteração é dispendiosa e o espaço de hipóteses é vasto. Nature 2023 (revisão de descoberta de ligantes)

Pontos de contato comuns:

Em muitos programas, os maiores ganhos vêm da integração do fluxo de trabalho , e não de um único modelo ser "genial". O modelo é o motor – o pipeline é o carro. Nature 2023 (revisão de descoberta de ligantes)

Tabela comparativa: abordagens populares de IA generativa usadas na descoberta de medicamentos 📊

Uma tabela ligeiramente imperfeita, porque a vida real é ligeiramente imperfeita.

Ferramenta/Abordagem Ideal para (público-alvo) Preço razoável Por que funciona (e quando não funciona)
Geradores de moléculas de novo (SMILES, gráficos) Química medicinal + química composta $$-$$$ Excelente em explorar novos análogos rapidamente 😎 - mas pode gerar compostos instáveis ​​e inadequados REINVENT 4 GENTRL (Nature Biotech 2019)
Geradores de proteínas/estruturas Equipes de produtos biológicos, biologia estrutural $$$ Ajuda a propor sequências e estruturas, mas "parecer plausível" não é o mesmo que "funcionar". AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Design molecular do tipo difusão Equipes avançadas de aprendizado de máquina $$-$$$$ Forte em condicionamento de restrições e diversidade - a configuração pode ser... um assunto complexo. JCIM 2024 (modelos de difusão). Revisão de difusão PMC 2025.
Copilotos de previsão de propriedades (combinação QSAR + GenAI) DMPK, equipes de projeto $$ Bom para triagem e classificação - ruim se tratado como verdade absoluta 😬 OCDE (domínio de aplicabilidade) ADMETlab 2.0
Planejadores de retrossíntese Química de processos, CMC $$-$$$ Acelera a idealização de rotas - ainda precisa de humanos para viabilidade e segurança AiZynthFinder 2020 Coley 2018 (CASP)
Copilotos de laboratório multimodais (texto + dados de ensaio) Equipes de tradução $$$ Útil para extrair sinais de diferentes conjuntos de dados - propenso a excesso de confiança se os dados forem irregulares Nature 2024 (efeitos de lote em imagens celulares) npj Digital Medicine 2025 (multimodal em biotecnologia)
Assistentes de literatura e hipóteses Todos, na prática $ Reduz bastante o tempo de leitura, mas as alucinações podem ser traiçoeiras, como meias que desaparecem. Padrões 2025 (LLMs na descoberta de medicamentos) Guia clínico (alucinações)
Modelos de fundação personalizados internos Grandes empresas farmacêuticas, empresas de biotecnologia bem financiadas $$$$ Melhor controle + integração - também caro e lento para construir (desculpe, é verdade) - Análise do Frontiers in Drug Discovery 2024

Observações: os preços variam bastante dependendo da escala, do poder computacional, do licenciamento e se sua equipe prefere uma solução "plug and play" ou "vamos construir uma nave espacial"

Análise detalhada: IA generativa para descoberta de sucessos e design inovador 🧩

Este é o principal caso de uso: gerar moléculas candidatas do zero (ou a partir de uma estrutura predefinida) que correspondam a um perfil alvo. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Como isso normalmente funciona na prática:

  1. Definir restrições

  2. Gerar candidatos

  3. Filtrar agressivamente

  4. Selecione um pequeno conjunto para síntese

    • Os humanos ainda escolhem, porque os humanos às vezes conseguem detectar absurdos

A verdade incômoda: o valor não está apenas em "novas moléculas". Está em novas moléculas que façam sentido para as restrições do seu programa . Essa última parte é tudo. Nature 2023 (revisão de descoberta de ligantes)

Além disso, aqui vai um pequeno exagero: quando bem feito, pode parecer que você contratou uma equipe de jovens químicos incansáveis ​​que nunca dormem e nunca reclamam. Por outro lado, eles também não entendem por que uma estratégia de proteção específica é um pesadelo, então... equilíbrio 😅.

Análise detalhada: Otimização de leads com IA generativa (ajuste de múltiplos parâmetros) 🎛️

A otimização de leads é onde os sonhos começam a se complicar.

Você quer:

  • aumento de potência

  • seletividade para cima

  • estabilidade metabólica

  • solubilidade até

  • sinais de segurança abaixados

  • permeabilidade “na medida certa”

  • E ainda ser sintetizável

Este é um exemplo clássico de otimização multiobjetivo. A IA generativa é excepcionalmente boa em propor um conjunto de soluções de compromisso, em vez de fingir que existe uma solução perfeita. do REINVENT 4 Elsevier 2024 (modelos generativos)]

Formas práticas de utilização por parte das equipes:

  • Sugestão análoga : "Criar 30 variantes que reduzam a depuração, mas mantenham a potência"

  • Varredura substitutiva : exploração guiada em vez de enumeração por força bruta.

  • Salto de andaime : quando um núcleo encontra um obstáculo (toxicidade, propriedade intelectual ou estabilidade).

  • Sugestões explicativas : "Este grupo polar pode ajudar na solubilidade, mas pode prejudicar a permeabilidade" (nem sempre está correto, mas é útil).

Uma ressalva: os preditores de propriedades podem ser frágeis. Se os seus dados de treinamento não corresponderem à sua série química, o modelo pode estar seriamente errado. Muito errado mesmo. E não vai se envergonhar disso. Princípios de validação QSAR da OCDE (domínio de aplicabilidade) Weaver 2008 (domínio de aplicabilidade QSAR)

Análise detalhada: ADMET, toxicidade e triagem "por favor, não acabem com o programa" 🧯

ADMET é onde muitos candidatos falham silenciosamente. A IA generativa não resolve problemas biológicos, mas pode reduzir erros evitáveis. ADMETlab 2.0 Waring 2015 (desgaste).

Funções comuns:

  • Previsão de riscos metabólicos (locais de metabolismo, tendências de eliminação)

  • Identificação de prováveis ​​padrões de toxicidade (alertas, indicadores de intermediários reativos)

  • Estimativa de faixas de solubilidade e permeabilidade

  • Sugestão de modificações para reduzir o risco de hERG ou melhorar a estabilidade 🧪 FDA (ICH E14/S7B Perguntas e Respostas) EMA (Visão geral do ICH E14/S7B)

O padrão mais eficaz tende a ser o seguinte: usar a IA GenAI para propor opções, mas usar modelos e experimentos especializados para verificar.

A IA generativa é o motor de ideação. A validação ainda reside nos ensaios.

Uma análise mais detalhada: IA generativa para produtos biológicos e engenharia de proteínas 🧬✨

A descoberta de medicamentos não se limita a pequenas moléculas. A IA generativa também é usada para:

A geração de proteínas e sequências pode ser poderosa porque a "linguagem" das sequências se adapta surpreendentemente bem aos métodos de aprendizado de máquina. Mas aqui está o ponto crucial: a adaptação é boa... até que deixe de funcionar. Isso porque a imunogenicidade, a expressão gênica, os padrões de glicosilação e as limitações de desenvolvimento podem ser implacáveis. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Assim, as melhores configurações incluem:

  • filtros de desenvolvibilidade

  • pontuação de risco de imunogenicidade

  • restrições de fabricação

  • Circuitos de laboratório úmido para iteração rápida 🧫

Se você pular essas partes, terá uma sequência deslumbrante que se comporta como uma diva na produção.

Análise detalhada: Planejamento de síntese e sugestões de retrossíntese 🧰

A IA generativa também está se infiltrando nas operações químicas, e não apenas na idealização de moléculas.

Os planejadores de retrossíntese podem:

  • Propor rotas para um composto alvo

  • Sugerir materiais de partida disponíveis comercialmente

  • Classifique as rotas por número de passos ou viabilidade percebida

  • Ajudar os químicos a descartar rapidamente ideias "interessantes, mas impossíveis" AiZynthFinder 2020 Coley 2018 (CASP)

Isso pode economizar um tempo considerável, especialmente ao explorar muitas estruturas candidatas. Mesmo assim, a participação humana é fundamental nesse processo, pois:

  • alterações na disponibilidade de reagentes

  • As preocupações com segurança e escala são reais

  • Algumas etapas parecem perfeitas no papel, mas falham repetidamente

Uma metáfora não muito perfeita, mas vou usá-la mesmo assim: a IA de retrossíntese é como um GPS que geralmente acerta, mas às vezes te leva por um lago e insiste que é um atalho. 🚗🌊 Coley 2017 (retrossíntese assistida por computador)

Dados, modelos multimodais e a dura realidade dos laboratórios 🧾🧪

A IA generativa adora dados. Os laboratórios produzem dados. No papel, isso parece simples.

Ah. Não.

Os dados reais de laboratório são:

Sistemas generativos multimodais podem combinar:

Quando funciona, é incrível. Você consegue descobrir padrões não óbvios e propor experimentos que um único especialista poderia deixar passar.

Quando falha, falha silenciosamente. Não bate a porta. Apenas te empurra para uma conclusão errada e categórica. É por isso que governança, validação e revisão de domínio não são opcionais. Guia para clínicos (alucinações) npj Medicina Digital 2025 (alucinação + estrutura de segurança)

Riscos, limitações e a seção “não se deixe enganar pela saída fluente” ⚠️

Se você só puder se lembrar de uma coisa, lembre-se disto: a IA generativa é persuasiva. Ela pode soar certa mesmo estando errada. Guia para clínicos (alucinações)

Principais riscos:

Medidas de mitigação que ajudam na prática:

  • manter os humanos no processo de tomada de decisão

  • prompts e saídas de log para rastreabilidade

  • Validar com métodos ortogonais (ensaios, modelos alternativos)

  • Impor restrições e filtros automaticamente

  • Trate os resultados como hipóteses, não como verdades absolutas (orientação da OCDE sobre QSAR).

A IA generativa é uma ferramenta poderosa. Ferramentas elétricas não te transformam em carpinteiro... elas apenas fazem você cometer erros mais rapidamente se você não souber o que está fazendo.

Como as equipes adotam IA generativa sem caos 🧩🛠️

As equipes geralmente querem usar isso sem transformar a organização em uma feira de ciências. Um caminho prático de adoção seria o seguinte:

Além disso, não subestime a cultura. Se os químicos sentirem que a IA está sendo imposta a eles, eles a ignorarão. Se ela economizar tempo e respeitar sua experiência, eles a adotarão rapidamente. Os humanos são engraçados assim 🙂.

Qual é o papel da IA ​​generativa na descoberta de medicamentos quando se olha para o panorama geral? 🔭

Em uma perspectiva mais ampla, o papel não é "substituir cientistas", mas sim "expandir a capacidade científica". Nature 2023 (revisão de descoberta de ligantes)

Isso ajuda as equipes:

  • explorar mais hipóteses por semana

  • propor mais estruturas candidatas por ciclo

  • priorizar experimentos de forma mais inteligente

  • Comprimir os ciclos de iteração entre o projeto e o teste

  • Compartilhar conhecimento entre diferentes áreas: Padrões 2025 (LLMs na descoberta de medicamentos)

E talvez o aspecto mais subestimado: isso ajuda a não desperdiçar a valiosa criatividade humana em tarefas repetitivas. As pessoas deveriam estar pensando em mecanismos, estratégias e interpretação — e não passando dias gerando listas de variantes manualmente. Nature 2023 (revisão de descoberta de ligantes)

Sim, o papel da IA ​​generativa na descoberta de medicamentos é o de acelerador, gerador, filtro e, às vezes, criador de problemas. Mas um papel valioso.

Resumo final 🧾✅

A IA generativa está se tornando uma capacidade essencial na descoberta moderna de fármacos, pois consegue gerar moléculas, hipóteses, sequências e rotas mais rapidamente do que os humanos — e pode ajudar as equipes a escolherem experimentos mais eficazes. ( Revisão da Frontiers in Drug Discovery 2024; Nature 2023 (revisão sobre descoberta de ligantes))

Resumo em tópicos:

Se você o tratar como um colaborador — e não como um oráculo — ele pode realmente impulsionar os programas. E se você o tratar como um oráculo… bem, você pode acabar seguindo aquele GPS para dentro do lago novamente. 🚗🌊

Perguntas frequentes

Qual é o papel da IA ​​generativa na descoberta de medicamentos?

A IA generativa amplia o leque de ideias nas fases iniciais de descoberta e otimização de compostos líderes, propondo moléculas candidatas, sequências de proteínas, rotas de síntese e hipóteses biológicas. Seu valor reside menos na "substituição de experimentos" e mais na "escolha de experimentos melhores", gerando diversas opções e, em seguida, filtrando-as rigorosamente. Ela funciona melhor como um acelerador dentro de um fluxo de trabalho disciplinado, e não como uma ferramenta de tomada de decisão independente.

Em que etapas do processo de descoberta de medicamentos a IA generativa apresenta melhor desempenho?

Geralmente, essa abordagem oferece maior valor em situações onde o espaço de hipóteses é vasto e a iteração é dispendiosa, como na identificação de hits, no planejamento de novos fármacos e na otimização de leads. As equipes também a utilizam para triagem de ADMET, sugestões de retrossíntese e suporte à literatura ou hipóteses. Os maiores ganhos costumam advir da integração da geração de modelos com filtros, pontuação e revisão humana, em vez de esperar que um único modelo seja "inteligente"

Como definir restrições para que os modelos generativos não produzam moléculas inúteis?

Uma abordagem prática consiste em definir restrições antes da geração: intervalos de propriedades (como metas de solubilidade ou logP), regras de estrutura ou subestrutura, características do sítio de ligação e limites de novidade. Em seguida, aplicam-se filtros de química medicinal (incluindo PAINS/grupos reativos) e verificações de sintetizabilidade. A geração com restrições prévias é especialmente útil no design molecular por difusão e em frameworks como o REINVENT 4, onde objetivos múltiplos podem ser codificados.

Como as equipes devem validar os resultados do GenAI para evitar alucinações e excesso de confiança?

Trate cada resultado como uma hipótese, não como uma conclusão, e valide-o com ensaios e modelos ortogonais. Combine a geração com filtragem rigorosa, acoplamento molecular ou pontuação quando apropriado, e verificações de domínio de aplicabilidade para preditores do tipo QSAR. Torne a incerteza visível sempre que possível, pois os modelos podem estar consideravelmente errados em relação a reações químicas fora da distribuição ou alegações biológicas questionáveis. A revisão por humanos continua sendo um recurso essencial de segurança.

Como prevenir vazamento de dados, riscos à propriedade intelectual e saídas "memorizadas"?

Utilize governança e controles de acesso para que detalhes sensíveis do programa não sejam inseridos casualmente em prompts, e registre prompts/resultados para fins de auditoria. Imponha verificações de novidade e similaridade para que os candidatos gerados não sejam muito semelhantes a compostos conhecidos ou regiões protegidas. Mantenha regras claras sobre quais dados são permitidos em sistemas externos e prefira ambientes controlados para trabalhos de alta sensibilidade. A revisão humana ajuda a identificar sugestões "muito semelhantes" precocemente.

Como a IA generativa é usada para otimização de leads e ajuste de múltiplos parâmetros?

Na otimização de compostos líderes, a IA generativa é valiosa porque pode propor múltiplas soluções de compromisso em vez de buscar um único composto "perfeito". Fluxos de trabalho comuns incluem sugestão de análogos, varredura guiada de substituintes e busca por novas estruturas quando restrições de potência, toxicidade ou propriedade intelectual bloqueiam o progresso. Os preditores de propriedades podem ser frágeis, então as equipes geralmente classificam os candidatos com múltiplos modelos e, em seguida, confirmam as melhores opções experimentalmente.

A IA generativa também pode ser útil em produtos biológicos e engenharia de proteínas?

Sim, as equipes o utilizam para geração de sequências de anticorpos, ideias de maturação de afinidade, melhorias de estabilidade e exploração de enzimas ou peptídeos. A geração de proteínas/sequências pode parecer plausível sem ser viável para desenvolvimento, portanto, é importante aplicar filtros de viabilidade de desenvolvimento, imunogenicidade e capacidade de fabricação. Ferramentas estruturais como o AlphaFold podem auxiliar no raciocínio, mas uma "estrutura plausível" ainda não comprova a expressão, a função ou a segurança. Os experimentos em laboratório continuam sendo essenciais.

Como a IA generativa auxilia no planejamento de síntese e na retrossíntese?

Os planejadores de retrossíntese podem sugerir rotas, materiais de partida e classificações de rotas para acelerar a ideação e descartar rapidamente caminhos inviáveis. Ferramentas e abordagens como o planejamento no estilo AiZynthFinder são mais eficazes quando combinadas com verificações de viabilidade práticas realizadas por químicos. Disponibilidade, segurança, limitações de escalabilidade e "reações teóricas" que falham na prática ainda exigem julgamento humano. Usado dessa forma, economiza-se tempo sem a necessidade de presumir que a química está resolvida.

Referências

  1. Nature - Revisão da descoberta de ligantes (2023) - nature.com

  2. Biotecnologia da Natureza - GENTRL (2019) - nature.com

  3. Natureza - AlphaFold (2021) - nature.com

  4. Natureza - Difusão de RF (2023) - nature.com

  5. Biotecnologia da Natureza - Gerador de Proteínas (2024) - nature.com

  6. Nature Communications - Efeitos de lote em imagens celulares (2024) - nature.com

  7. npj Medicina Digital - Alucinação + quadro de segurança (2025) - nature.com

  8. npj Medicina Digital - Multimodal em biotecnologia (2025) - nature.com

  9. Ciência - ProteinMPNN (2022) - science.org

  10. Padrões celulares - Modelos de longo prazo na descoberta de medicamentos (2025) - cell.com

  11. ScienceDirect (Elsevier) - Modelos generativos no planejamento de novos fármacos (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): preocupações com novidade/singularidade - sciencedirect.com

  13. Análise de Imagens Médicas (ScienceDirect) - IA Multimodal na Medicina (2025) - sciencedirect.com

  14. PubMed Central - Guia para clínicos (risco de alucinações) - nih.gov

  15. Accounts of Chemical Research (Publicações da ACS) - Espaço químico (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): escala do espaço químico - nih.gov

  17. Fronteiras na Descoberta de Medicamentos (PubMed Central) - Revisão (2024) - nih.gov

  18. Revista de Informação Química e Modelagem (Publicações da ACS) - Modelos de difusão no planejamento de novos fármacos (2024) - acs.org

  19. PubMed Central - REINVENT 4 (estrutura aberta) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (ADMET precoce importa) - nih.gov

  21. OCDE - Princípios para a Validação de Modelos (Q)SAR para Fins Regulatórios - oecd.org

  22. OCDE - Documento de orientação sobre a validação de modelos (Q)SAR - oecd.org

  23. Accounts of Chemical Research (Publicações da ACS) - Planejamento de síntese assistido por computador / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (Publicações ACS) - Retrossíntese assistida por computador (Coley, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Lipinski: Regra dos 5 contextos - nih.gov

  27. Revista de Química Medicinal (Publicações da ACS) - Baell & Holloway (2010): DORES - acs.org

  28. PubMed - Waring (2015): atrito - nih.gov

  29. PubMed - Rives (2021): modelos de linguagem de proteínas - nih.gov

  30. PubMed Central - Leek et al. (2010): efeitos de lote - nih.gov

  31. PubMed Central - Revisão de difusão (2025) - nih.gov

  32. FDA - E14 e S7B: avaliação clínica e não clínica do prolongamento do intervalo QT/QTc e do potencial pró-arrítmico (Perguntas e Respostas) - fda.gov

  33. Agência Europeia de Medicamentos - Visão geral da diretriz ICH E14/S7B - europa.eu

  34. USENIX - Carlini et al. (2021): extração de dados de treinamento de modelos de linguagem - usenix.org

  35. Universidade de Edimburgo – Serviços de Pesquisa Digital - Recurso de caderno de laboratório eletrônico (ELN) - ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): Domínio de aplicabilidade QSAR - sciencedirect.com

Encontre a IA mais recente na loja oficial do AI Assistant

Sobre nós

Voltar ao blog