Recently, using artificial intelligence (AI) in drug discovery has received much attention since it significantly shortens the time and cost of developing new drugs. Deep learning (DL)-based approaches are increasingly being used in all stages of drug development as DL technology advances, and drug-related data grows. Therefore, this paper presents a systematic Literature review (SLR) that integrates the recent DL technologies and applications in drug discovery Including, drug-target interactions (DTIs), drug-drug similarity interactions (DDIs), drug sensitivity and responsiveness, and drug-side effect predictions. We present a review of more than 300 articles between 2000 and 2022. The benchmark data sets, the databases, and the evaluation measures are also presented. In addition, this paper provides an overview of how explainable AI (XAI) supports drug discovery problems. The drug dosing optimization and success stories are discussed as well. Finally, digital twining (DT) and open issues are suggested as future research challenges for drug discovery problems. Challenges to be addressed, future research directions are identified, and an extensive bibliography is also included.

Drug discovery and development is a challenging and time-consuming process. Laboratory experiments conducted on Vidarabine showed IC50 6.97 µg∕mL, 25.78 µg∕mL, and ˃ 100 µg∕mL against non-small Lung cancer (A-549), Human Melanoma (A-375), and Human epidermoid Skin carcinoma (skin/epidermis) (A-431) respectively. To address these challenges, this paper presents an Artificial Intelligence (AI) model that combines the capabilities of Deep Learning (DL) to identify potential new drug candidates, Fuzzy Rough Set (FRS) theory to determine the most important chemical compound features, Explainable Artificial Intelligence (XAI) to explain the features' importance in the last layer, and medicinal chemistry to rediscover anticancer drugs based on natural products like Vidarabine. The proposed model aims to identify potential new drug candidates. By analyzing the results from laboratory experiments on Vidarabine, the model identifies Sulfur and magnesium oxide (MgO) as new potential anticancer agents. The proposed model selected Sulfur and MgO based on Interpreting their promising features, and further laboratory experiments were conducted to validate the model's predictions. The results demonstrated that, while Vidarabine was inactive against the A-431 cell line (IC50 ˃ 100 µg∕mL), Sulfur and MgO exhibited significant anticancer activity (IC50 4.55 and 17.29 µg/ml respectively). Sulfur displayed strong activity against A-549 and A-375 cell lines (IC50 3.06 and 1.86 µg/ml respectively) better than Vidarabine (IC50 6.97 and 25.78 µg/ml respectively). However, MgO showed weaker activity against these two cell lines. This paper emphasizes the importance of uncovering hidden chemical features that may not be discernible without the assistance of AI. This highlights the ability of AI to discover novel compounds with therapeutic potential, which can significantly impact the field of drug discovery. The promising anticancer activity exhibited by Sulfur and MgO warrants further preclinical studies.