AI小分子药物发现的「百科全书」,康奈尔、剑桥、EPFL等研究者综述登Nature子刊

AI最新资讯2周前发布 tree
11 0 0

今日应用


今日话题


AI小分子药物发现的「百科全书」,康奈尔、剑桥、EPFL等研究者综述登Nature子刊
AI小分子药物发现的「百科全书」,康奈尔、剑桥、EPFL等研究者综述登Nature子刊
 

重点标签 AI药物发现小分子药物机器学习分子优化深度学习模型

文章摘要


生成性分子设计任务可以分为分布学习和目标导向生成,包括条件生成和分子优化。分布学习通过建模分子的概率分布来采样新分子,而条件生成则根据特定属性、子结构或目标条件生成具有特定特征的分子。分子优化则通过调整候选分子结构来提高其安全性、有效性和药代动力学特性。

分子生成流程涉及多个组合单元,包括分子表示、生成方法和生成策略。分子表示是开发分子生成神经架构的第一步,常见的表示包括基于字符串的分子结构、基于拓扑和几何图的原子和键。生成方法包括深度生成模型,如变分自编码器、生成对抗网络等,而生成策略则包括一次性生成、顺序生成和迭代改进。

评估生成性机器学习模型需要综合考虑有效性、独特性、新颖性等指标,并通过湿法实验进行验证。尽管存在挑战,如分布外生成、问题表述的现实性、评分设计的准确性等,但机器学习算法在小分子药物发现中的应用仍具有巨大潜力。未来方向包括超越小分子设计的应用、大语言模型的潜力、药物开发的后期阶段、聚焦模型目的和自动化实验室等方面。

文章作者杜沅岂是康奈尔大学计算机系的博士生,主要研究方向包括几何深度学习、概率模型、采样、搜索、优化问题以及在分子探索领域的应用。综述文章为AI在小分子药物发现领域的应用提供了全面的视角,并展望了未来的发展方向。

文章来源


原文地址: 点我阅读全文
原文作者: 机器之心

© 版权声明

相关文章

暂无评论

暂无评论...