另外,计算能力的进步和生物数据量的增长刺激了诸如深度学习等新型ML技术在药物研发中的应用,以应对药物发现大数据带来的多重挑战。深度学习被运用于多个药物发现的任务,比如从头设计,小分子蛋白结合等。在从头设计中,深度神经网络,循环神经网络,生成对抗网络等都已经得到了初步的运用。随着深度学习在异源数据中的作用不断强化,许多研究都提示在其在评价小分子和蛋白结合的模型预测上上,深度学习比普通机器学习更具有优势。然而,药物数据体量和图像识别,棋类游戏,化学反应等应用场景相比仍有极大差距,深度学习类方法在药物研发中应用所面临的最大困境依然是数据严重不足和质量难以统一带来模型过拟合问题。综上,药物研发大数据和深度学习等人工智能方法已经在药物研发的多个阶段展现了其在创新和加速进程方面的优势,随着数据质量和基于药物知识的人工智能方法发展,我们仍对人工智能方法开辟药物研发新赛道并改变现有传统药物研发模式抱有乐观期待。参考文献:1.Schneider, G. (2018) Automating drug discovery. Nat. Rev. Drug Discov. 17, 97–1132.Carney, E.F. (2020) Pharmacokinetic modelling using linked organ chips. Nat. Rev. Nephrol. 16, 188–1883.Zhu, H. (2019) Big data and artificial intelligence modeling for drug discovery. Annu. Rev. Pharm. Toxicol. 60, 573–5894.Linlin Zhao, et al. (2020) Advancing computer-aided drug discovery (CADD) by big data and data-driven machine learning modeling. Drug Discovery Today, doi:10.1016/j.drudis.2020.07.005—END—