Integration of artificial intelligence into biotechnology research processes: economic challenges and opportunities

Cover Page

Cite item

Full Text

Abstract

the purpose of this study is related to the integration of artificial intelligence (AI) technologies into the research processes of modern biotechnology. The study aims to conduct a comprehensive analysis of the challenges and opportunities arising from the implementation of AI systems in biotechnological research. Methods: the work involved a systematic review of scientific literature, an analysis of successful AI applications in pharmaceutical biotechnology, and an assessment of current limitations. Results: the study identifies key technological, methodological, and ethical challenges in AI integration, as well as promising directions for using AI to accelerate research processes and improve their accuracy. The findings have practical implications for research organizations and biotech companies planning to integrate AI technologies into their research workflows.

About the authors

T. K Ekshikeev

St. Petersburg State Chemical and Pharmaceutical University

Email: tager.ekshikeev@pharminnotech.com

L. N Malinnikova

St. Petersburg State Chemical and Pharmaceutical University; JSC «BIOCAD»

Email: malinnikova.lyubov@spcpu.ru

G. A Redkin

St. Petersburg State Chemical and Pharmaceutical University; JSC «BIOCAD»

Email: grigorij.redkin@spcpu.ru

I. A Obukhova

St. Petersburg State Forestry University

Email: iobukhova@inbox.ru

References

  1. Сиваев П.А. Искусственный интеллект и биоинженерия: этические проблемы взаимодействия // Гуманитарные ведомости ТГПУ им. Л.Н. Толстого. 2024. № 2 (50). С. 120 – 129.
  2. Гусев А.В., Шарова Д.Е. Этические проблемы развития технологий искусственного интеллекта в здравоохранении // Общественное здоровье. 2023. Т. 3. № 1. С. 42 – 50.
  3. Abriata L.A. The Nobel Prize in Chemistry: past, present, and future of AI in biology // Communications Biology. 2024. Т. 7. № 1. С. 1409.
  4. UniProt: База данных последовательностей белков. URL: https://www.uniprot.org/uniprotkb?facets=reviewedAtrue&query=* (дата обращения: 16.01.2025)
  5. Чуланова О.Л., Фомина Е.В. Искусственный интеллект как основной тренд развития информационного общества // Журнал социологических исследований. 2019. Т. 4. № 2. С. 6 – 10.
  6. Mak K. K., Pichika M. R. Artificial intelligence in drug development: present status and future prospects // Drug discovery today. 2019. Vol. 24. № 3. P. 773 – 780.
  7. Wheeler N.E. Responsible AI in biotechnology: balancing discovery, innovation and biosecurity risks // Frontiers in Bioengineering and Biotechnology. 2025. Vol. 13. URL: https://www.frontiersin.org/journals/bioengineering-and-biotechnology/articles/10.3389/fbioe.2025.1537471/full (дата обращения: 16.01.2025)
  8. Екшикеев Т.К., Алпатьева Ю.С., Харченко Д.Е, Обухова И.А. Персонализированная перспективность и востребованность кадров организации и управления в производстве лекарственных средств // Russian Economic Bulletin. 2024. Т. 7. № 5. С. 305 – 313. doi: 10.58224/2658-5286-2024-7-5-305-313
  9. Jumper J. et al. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596. № 7873. P. 583 – 589.
  10. Abramson J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3 // Nature. 2024. Vol. 630. № 8016. P. 493 – 500.
  11. Zhavoronkov A. et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors // Nature biotechnology. 2019. Vol. 37. № 9. P. 1038 – 1040.
  12. Simoens S., De Groote K., Boersma C. Critical reflections on reimbursement and access of advanced therapies // Frontiers in Pharmacology. 2022. Vol. 13. URL: https://research.ou.nl/en/publications/critical-reflections-on-reimbursement-and-access-of-advanced-ther (дата обращения: 16.01.2025)
  13. Волин А.Ю. Экономическая оценка производственного развития предприятий фармацевтической промышленности в условиях технологических трансформаций: автореф. дис. … канд. экон. наук. М., 2024. 24 с.
  14. Степаненко Д.А., Павлов В.И., Козлова Н.М. Методология создания индивидуальной модели здоровья человека с использованием искусственного интеллекта // Байкальский медицинский журнал. 2024. Т. 3. № 1. С. 28 – 37.
  15. Esteva A. et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542. № 7639. P. 115 – 118.
  16. Schr?dinger, Inc. Международная научная программная и биотехнологическая компания URL: https://www.schrodinger.com/life-science/use-cases/biotech-and-pharmaceuticals/ (дата обращения: 16.01.2025)
  17. Arsene S. et al. In silico clinical trials: is it possible? // High performance computing for drug discovery and biomedicine. New York, NY: Springer US, 2023. P. 51 – 99.
  18. Philippidis A. Absci Eyes IND for Platform's First de novo Antibody within Two Years: Company shares expanded data showing its antibody models achieved higher binding rates than sequences from public databases // GEN Edge. 2023. Vol. 5. № 1. P. 374 – 377.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

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).