W chwili obecnej naukowcy w swoich badaniach wykorzystują potencjał uczenia maszynowego. Metody te zyskują na popularności i są wykorzystywane do udoskonalania tradycyjnych metodologii w ilościowych badaniach zależności struktura-aktywność (QSAR). Głównym celem badań opisanych w publikacji, która ukazała się w Pharmaceuticals (IF=4,6 punkty MEN = 100), była ocena potencjału przeciwnowotworowego pochodnych kolchicyny dla różnych modeli komórkowych i skonstruowanie modeli uczenia maszynowego skutecznych w prognozowaniu aktywności przeciwnowotworowej nowych zaprojektowanych „nie przez człowieka” pochodnych kolchicyny.
Nowak, D.; Huczyński, A.; Bachorz, R.A.; Hoffmann, M. „Machine Learning Application for Medicinal Chemistry: Colchicine Case, New Structures, and Anticancer Activity Prediction”, Pharmaceuticals 2024, 17, 173. artykuł w otwartym dostępie