patmedfarПациентоориентированная медицина и фармацияPatient-Oriented Medicine and Pharmacy2949-1924LLC Izdatelstvo OKI10.37489/2949-1924-0134IXLVGSpatmedfar-226Research ArticleЦИФРОВАЯ МЕДИЦИНАDIGITAL MEDICINEЦифровая трансформация фармацевтической отрасли: роль искусственного интеллекта в фармацииDigital transformation of the pharmaceutical industry: the role of artificial intelligence in pharmacyhttps://orcid.org/0009-0004-7170-8783ПаршенковМ. А.ParshenkovM. A.

Паршенков Михаил Алексеевич — лаборант-исследователь

Москва

Mikhail A. Parshenkov — laboratory researcher

Moscow 

misjakj@gmail.comhttps://orcid.org/0009-0008-6107-7585РомановФ. А.RomanovPh. A.

Романов Филипп Александрович — аспирант кафедры управления и экономики фармации

Ярославль

Philip A. Romanov — Postgraduate student of the Department of Pharmacy Management and Economics

Yaroslavl

rfa2010@ya.ruhttps://orcid.org/0000-0002-8631-0303ЯворскийА. Н.YavorskyA. N.

Яворский Александр Николаевич — советник генерального директора

Москва

Alexander N. Yavorsky — Advisor to the General Director

Moscow 

200-31-11@mail.ruФГАОУ ВО «Московский научно-исследовательский онкологический институт им. П.А. Герцена», филиал ФГБУ «Национальный медицинский исследовательский центр радиологии Минздрава России»РоссияP.A. Herzen Moscow Cancer Research Institute, a branch of the National Medical Research Center of RadiologyRussian FederationФГБОУ ВО «Ярославский государственный медицинский университет»РоссияYaroslavl State Medical UniversityRussian FederationАссоциация участников обращения лекарственных средств и изделий медицинского назначения «ЛЕКМЕДОБРАЩЕНИЕ»РоссияAssociation of Participants in the Circulation of Medicines and Medical Devices "LEKMEDOBRAZHENIE"Russian Federation202630032026418794Copyright © Паршенков М.А., Романов Ф.А., Яворский А.Н., 20262026Паршенков М.А., Романов Ф.А., Яворский А.Н.Parshenkov M.A., Romanov P.A., Yavorsky A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.pomph.ru/jour/article/view/226Обоснование

Обоснование. Цифровые технологии преобразуют фармацевтическую отрасль, трансформируя как производственные процессы, так и сам подход к разработке и применению лекарственных средств. Ключевую роль в цифровизации фармации играют искусственный интеллект, технологии машинного обучения, а также алгоритмы глубокого анализа данных.

Методология

Методология. В данном литературном обзоре мы использовали системный и структурный анализ; междисциплинарный подход, объединяющий методы контент-анализа научной литературы; изучение регуляторной документации; кейс-ориентированное моделирование.

Результаты

Результаты. Установлено, что цифровые технологии оказывают существенное влияние на ключевые этапы жизненного цикла лекарственных препаратов в фармацевтической индустрии. Однако широкомасштабная цифровизация на данный момент затруднена рядом барьеров, представленных в нашей работе. Предложены направления преодоления этих ограничений (внедрение гибридных архитектур, развитие международных хранилищ обезличенных данных, интеграция цифровых модулей в программы подготовки специалистов).

Заключение

Заключение. Цифровые технологии начинают формировать новые принципы функционирования фармацевтической отрасли. Однако для полноценного перехода от точечных достижений к устойчивой цифровой трансформации необходимы комплексные меры.

Background

Background. Digital technologies are transforming the pharmaceutical industry, changing both manufacturing processes and the very approach to the development and use of medicines. Artificial intelligence, machine learning technologies, and deep data analysis algorithms play a key role in the digitalization of pharmacy.

Methods

Methods. In this literature review, we used systematic and structural analysis; an interdisciplinary approach combining methods of content analysis of scientific literature; study of regulatory documentation; and case-oriented modeling.

Results

Results. It has been established that digital technologies have a significant impact on key stages of the drug life cycle in the pharmaceutical industry. However, large-scale digitalization is currently hampered by a number of barriers, which are presented in our work. We propose ways to overcome these limitations (introduction of hybrid architectures, development of international repositories of anonymized data, integration of digital modules into specialist training programs).

Conclusion

Conclusion. Digitalization is beginning to shape new principles for the functioning of the pharmaceutical industry. However, comprehensive measures are needed to make a full transition from isolated achievements to sustainable digital transformation.

цифровые технологииалгоритмы машинного обученияискусственный интеллектперсонализированная медицинафармацияадаптивные алгоритмы данныхфармацевтическая разработкатаргетная терапияинституциональные барьерыdigital technologiesmachine learning algorithmsartificial intelligencepersonalized medicinepharmacyadaptive data algorithmspharmaceutical developmenttargeted therapyinstitutional barriersReferencesАладышева Ж. И., Береговых В. В., Демина Н. Б. и др. Промышленная фармация. Путь создания продукта: монография / под ред. А. Л. Хохлова, Н. В. Пятигорской. – Москва; 2019. – 394 с. ISBN 978-5-907036-57-4.Aladysheva Zh.I., Beregovykh V.V., Demina N.B. Industrial pharmacy. The path of product creation: monograph. Edited by Khokhlov A.L., Pyatigorskaya N.V. Moscow; 2019. 394 p. (In Russ.).Поройков В. В. Компьютерное конструирование лекарств: от поиска новых фармакологических веществ до системной фармакологии. Биомедицинская химия. 2020; 66(1):30–41. DOI: 10.18097/PBMC20206601030.Poroykov V.V. Computer-based drug design: from discovery of new pharmacological entities to systems pharmacology. Biomedicinskaya khimiya. 2020;66(1):30–41. DOI: 10.18097/PBMC20206601030. (In Russ.).Niazi SK, Mariam Z. Artificial intelligence in drug development: reshaping the therapeutic landscape. Therapeutic Advances in Drug Safety. 2025; 16:20420986251321704. DOI: 10.1177/20420986251321704.Niazi SK, Mariam Z. Artificial intelligence in drug development: reshaping the therapeutic landscape. Therapeutic Advances in Drug Safety. 2025; 16:20420986251321704. DOI: 10.1177/20420986251321704.Указ Президента Российской Федерации от 10.10.2019 № 490 (ред. от 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации». КонсультантПлюс. Электронный ресурс: https://www.consultant.ru (дата обращения: 02.07.2025).Decree of the President of the Russian Federation No. 490 dated October 10, 2019 (amended 15.02.2024) «On the development of artificial intelligence in the Russian Federation». Electronic resource via ConsultantPlus (In Russ.) https://www.consultant.ru (accessed: 02/07/2025).Grand View Research. Artificial Intelligence in Drug Discovery Market Size, Share & Trends Analysis Report by Application, by Region, and Segment Forecasts, 2022–2030. 2023. Электронный ресурс: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-drug-discovery-market (дата обращения: 06.07.2025).Grand View Research. Artificial Intelligence in Drug Discovery Market Size, Share & Trends Analysis Report by Application, by Region, and Segment Forecasts, 2022–2030. 2023. Электронный ресурс: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-drug-discovery-market (дата обращения: 06.07.2025).Boopathi LK, Raja N. Artificial Intelligence and Machine Learning: Enhancing the Future of Regulatory Affairs. International Journal of Drug Regulatory Affairs. 2024;12(4):53–60. DOI: 10.22270/ijdra.v12i4.718.Boopathi LK, Raja N. Artificial Intelligence and Machine Learning: Enhancing the Future of Regulatory Affairs. International Journal of Drug Regulatory Affairs. 2024;12(4):53–60. DOI: 10.22270/ijdra.v12i4.718.Vora LK, Gholap AD, Jetha K, et al. Artificial Intelligence in Pharmaceutical Technology and Drug Delivery Design. Pharmaceutics. 2023 Jul 10;15(7):1916. doi: 10.3390/pharmaceutics15071916.Vora LK, Gholap AD, Jetha K, et al. Artificial Intelligence in Pharmaceutical Technology and Drug Delivery Design. Pharmaceutics. 2023 Jul 10;15(7):1916. doi: 10.3390/pharmaceutics15071916.Niazi SK. Regulatory Perspectives for AI/ML Implementation in Pharmaceutical GMP Environments. Pharmaceuticals (Basel). 2025 Jun 16;18(6):901. doi: 10.3390/ph18060901.Niazi SK. Regulatory Perspectives for AI/ML Implementation in Pharmaceutical GMP Environments. Pharmaceuticals (Basel). 2025 Jun 16;18(6):901. doi: 10.3390/ph18060901.Schuhmacher A, Gatto A, Hinder M, et al. The upside of being a digital pharma player. Drug Discov Today. 2020 Sep;25(9):1569-1574. doi: 10.1016/j.drudis.2020.06.002.Schuhmacher A, Gatto A, Hinder M, et al. The upside of being a digital pharma player. Drug Discov Today. 2020 Sep;25(9):1569-1574. doi: 10.1016/j.drudis.2020.06.002.Simmons AB, Chappell SG. Artificial intelligence: definition and practice. IEEE Journal of Oceanic Engineering. 1988;13(2):14–42. DOI: 10.1109/48.551.Simmons AB, Chappell SG. Artificial intelligence: definition and practice. IEEE Journal of Oceanic Engineering. 1988;13(2):14–42. DOI: 10.1109/48.551.LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.Nau D. Expert computer systems. Computers. 1983; 16(2):63–85. DOI: 10.1109/MC.1983.1654302.Nau D. Expert computer systems. Computers. 1983; 16(2):63–85. DOI: 10.1109/MC.1983.1654302.Hartung T. ToxAIcology - The evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX. 2023;40(4):559- 570. doi: 10.14573/altex.2309191.Hartung T. ToxAIcology - The evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX. 2023;40(4):559- 570. doi: 10.14573/altex.2309191.Jarab AS, Abu Heshmeh SR, Al Meslamani AZ. Artificial intelligence (AI) in pharmacy: an overview of innovations. J Med Econ. 2023 Jan-Dec;26(1): 1261-1265. doi: 10.1080/13696998.2023.2265245.Jarab AS, Abu Heshmeh SR, Al Meslamani AZ. Artificial intelligence (AI) in pharmacy: an overview of innovations. J Med Econ. 2023 Jan-Dec;26(1): 1261-1265. doi: 10.1080/13696998.2023.2265245.Peters AL, Buschur EO, Buse JB, Cohan P, Diner JC, Hirsch IB. Euglycemic Diabetic Ketoacidosis: A Potential Complication of Treatment With Sodium-Glucose Cotransporter 2 Inhibition. Diabetes Care. 2015 Sep;38(9):1687-93. doi: 10.2337/dc15-0843.Peters AL, Buschur EO, Buse JB, Cohan P, Diner JC, Hirsch IB. Euglycemic Diabetic Ketoacidosis: A Potential Complication of Treatment With Sodium-Glucose Cotransporter 2 Inhibition. Diabetes Care. 2015 Sep;38(9):1687-93. doi: 10.2337/dc15-0843.Zhavoronkov A, Ivanenkov YA, Aliper A, et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol. 2019 Sep; 37(9):1038-1040. doi: 10.1038/s41587-019-0224-x.Zhavoronkov A, Ivanenkov YA, Aliper A, et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol. 2019 Sep; 37(9):1038-1040. doi: 10.1038/s41587-019-0224-x.U.S. Food and Drug Administration. FDA revises labels of SGLT2 inhibitors for diabetes to include warnings about too much acid in the blood and serious urinary tract infections. FDA.gov. Электронный ресурс: https://www.fda.gov/drugs/drug-safety-and-availability/fda-revises-labels-sglt2-inhibitors-diabetes-include-warnings-about-too-much-acid-blood-and-serious (дата обращения: 17.07.2025).U.S. Food and Drug Administration. FDA revises labels of SGLT2 inhibitors for diabetes to include warnings about too much acid in the blood and serious urinary tract infections. FDA.gov. Электронный ресурс: https://www.fda.gov/drugs/drug-safety-and-availability/fda-revises-labels-sglt2-inhibitors-diabetes-include-warnings-about-too-much-acid-blood-and-serious (дата обращения: 17.07.2025).Yu Y, Xu T, Li J, et al. A Novel Scalarized Scaffold Hopping Algorithm with Graph-Based Variational Autoencoder for Discovery of JAK1 Inhibitors. ACS Omega. 2021 Aug 24;6(35):22945-22954. doi: 10.1021/acsomega.1c03613.Yu Y, Xu T, Li J, et al. A Novel Scalarized Scaffold Hopping Algorithm with Graph-Based Variational Autoencoder for Discovery of JAK1 Inhibitors. ACS Omega. 2021 Aug 24;6(35):22945-22954. doi: 10.1021/acsomega.1c03613.Jang SH, Sivakumar D, Mudedla SK, et al. PCW-A1001, AI-assisted de novo design approach to design a selective inhibitor for FLT-3(D835Y) in acute myeloid leukemia. Front Mol Biosci. 2022 Nov 25;9:1072028. doi: 10.3389/fmolb.2022.1072028.Jang SH, Sivakumar D, Mudedla SK, et al. PCW-A1001, AI-assisted de novo design approach to design a selective inhibitor for FLT-3(D835Y) in acute myeloid leukemia. Front Mol Biosci. 2022 Nov 25;9:1072028. doi: 10.3389/fmolb.2022.1072028.Поройков В. В. Поиск новых фармакологических веществ на основе компьютерного прогнозирования спектров биологической активности. Лаборатория и производство. 2021;16(1):72–80. DOI: 10.32757/2619-0923.2021.1.16.72.80Poroykov V. V. Search for new pharmacological compounds based on computer-predicted biological activity spectra. Laboratory and Production. 2021;16(1):72–80. DOI: 10.32757/2619-0923.2021.1.16.72.80 (In Russ.).Васильев П.М., Голубева А.В., Королева А.Р., и др. Прогнозin silico токсикологических и фармакокинетических характеристик лекарственных соединений. Безопасность и риск фармакотерапии. 2023;11(4):390–408. doi: 10.30895/2312-7821-2023-11-4-390-408Vassiliev P.M., Golubeva A.V., Koroleva A.R., et al. In silico prediction of toxi-cological and pharmacokinetic characteristics of medicinal compounds. Safety and Risk of Pharmacotherapy. 2023;11(4):390–408 doi: 10.30895/2312-7821-2023-11-4-390-408 (In Russ.).Wilczok D, Zhavoronkov A. Progress, Pitfalls, and Impact of AI-Driven Clinical Trials. Clin Pharmacol Ther. 2025 Apr;117(4):887-890. doi: 10.1002/cpt.3542.Wilczok D, Zhavoronkov A. Progress, Pitfalls, and Impact of AI-Driven Clinical Trials. Clin Pharmacol Ther. 2025 Apr;117(4):887-890. doi: 10.1002/cpt.3542.Lee S, Jo J, Hwang SJ. Exploring chemical space with score-based out-of-distribution generation. arXiv preprint. 2023. arXiv:2206.07632. DOI: 10.48550/arXiv.2206.07632.Lee S, Jo J, Hwang SJ. Exploring chemical space with score-based out-of-distribution generation. arXiv preprint. 2023. arXiv:2206.07632. DOI: 10.48550/arXiv.2206.07632.Ciepliński T, Danel T, Podlewska S, Jastrzȩbski S. Generative Models Should at Least Be Able to Design Molecules That Dock Well: A New Benchmark. J Chem Inf Model. 2023 Jun 12;63(11):3238-3247. doi: 10.1021/acs.jcim.2c01355.Ciepliński T, Danel T, Podlewska S, Jastrzȩbski S. Generative Models Should at Least Be Able to Design Molecules That Dock Well: A New Benchmark. J Chem Inf Model. 2023 Jun 12;63(11):3238-3247. doi: 10.1021/acs.jcim.2c01355.Stanley M, Segler M. Fake it until you make it? Generative de novo design and virtual screening of synthesizable molecules. Curr Opin Struct Biol. 2023 Oct;82:102658. doi: 10.1016/j.sbi.2023.102658.Stanley M, Segler M. Fake it until you make it? Generative de novo design and virtual screening of synthesizable molecules. Curr Opin Struct Biol. 2023 Oct;82:102658. doi: 10.1016/j.sbi.2023.102658.Gao W, Coley CW. The Synthesizability of Molecules Proposed by Generative Models. J Chem Inf Model. 2020 Dec 28;60(12):5714-5723. doi: 10.1021/acs.jcim.0c00174.Gao W, Coley CW. The Synthesizability of Molecules Proposed by Generative Models. J Chem Inf Model. 2020 Dec 28;60(12):5714-5723. doi: 10.1021/acs.jcim.0c00174.Yu J, Wang D, Zheng M. Uncertainty quantification: Can we trust artificial intelligence in drug discovery? iScience. 2022 Jul 21;25(8):104814. doi: 10.1016/j.isci.2022.104814.Yu J, Wang D, Zheng M. Uncertainty quantification: Can we trust artificial intelligence in drug discovery? iScience. 2022 Jul 21;25(8):104814. doi: 10.1016/j.isci.2022.104814.Wu K, Xia Y, Deng P, et al. TamGen: drug design with target-aware molecule generation through a chemical language model. Nat Commun. 2024 Oct 29;15(1):9360. doi: 10.1038/s41467-024-53632-4.Wu K, Xia Y, Deng P, et al. TamGen: drug design with target-aware molecule generation through a chemical language model. Nat Commun. 2024 Oct 29;15(1):9360. doi: 10.1038/s41467-024-53632-4.Chan B. Black-box assisted medical decisions: AI power vs. ethical physician care. Med Health Care Philos. 2023 Sep;26(3):285-292. doi: 10.1007/s11019-023-10153-z.Chan B. Black-box assisted medical decisions: AI power vs. ethical physician care. Med Health Care Philos. 2023 Sep;26(3):285-292. doi: 10.1007/s11019-023-10153-z.Кошечкин К.А. Свистунов А.А., Лебедев Г.С., Фартушный Э.Н. Практика применения систем на основе искусственного интеллекта в сфере обращения лекарственных средств. Вестник Росздравнадзора. 2022;(3):27–33.Koshechkin K. A., Svistunov A. A., Lebedev G. S., Fartushny E. N. Application of AI-based systems in the field of medicinal product circulation. Bulletin of Roszdravnadzor. 2022;(3):27–33. (In Russ.).Свечкарева И. Р., Гусев А. В., Колбин А. С. Перспективы искусственного интеллекта в доклинических и клинических исследованиях. Клиническая фармакология и терапия. 2025;(1):14–19. DOI: 10.32756/0869-5490-2025-1-14-19Svechkareva I. R., Gusev A. V., Kolbin A. S. Prospects for artificial intelligence in preclinical and clinical research. Clinical Pharmacology and Therapy. 2025;(1):14–19. DOI: 10.32756/0869-5490-2025-1-14-19 (In Russ.).Zhang K, Yang X, Wang Y, et al. Artificial intelligence in drug development. Nat Med. 2025 Jan;31(1):45- 59. doi: 10.1038/s41591-024-03434-4.Zhang K, Yang X, Wang Y, et al. Artificial intelligence in drug development. Nat Med. 2025 Jan;31(1):45- 59. doi: 10.1038/s41591-024-03434-4.

The authors declare that there are no conflicts of interest present.