机构名称：
¥ 1.0
与许多科学技术领域一样，人工智能 (AI) 目前在药物发现和药物化学领域备受期待。在这里，AI 主要指机器学习 (ML)，它只是方法论 AI 频谱的一部分。对 AI 的高度兴趣主要源于使用多层神经网络 (NN) 架构的深度学习。进入药物化学的其他 AI 方法包括专家系统和（实验室）机器人技术。然而，深度学习显然占主导地位。值得注意的是，ML 在化学信息学和药物化学领域已有悠久的历史。二十多年来，ML 方法已广泛应用于化合物性质预测。在药物化学中，计算研究感兴趣的特性首先包括小分子的生物活性，也包括物理化学特性（例如溶解度）或体内特性（例如代谢稳定性或毒性）。预测此类特性旨在支持药物化学实践中的关键任务：决定下一步合成哪种化合物。多年来，NN（早期用于特性预测的流行方法）大部分已被其他 ML 方法（例如支持向量机、随机森林或贝叶斯建模）所取代。这主要是由于 NN 倾向于将模型过度拟合到训练数据，以及其预测的黑箱特性（黑箱也适用于其他（但不是全部）ML 方法）。在药物化学中，化学直觉继续发挥着重要作用，无法用化学术语解释的黑箱预测不利于 ML 在实际应用中的接受。最近，随着深度神经网络 (DNN) 的出现和对深度 ML 的高度期望，NN 在药物化学中经历了复兴。这些期望主要源自其他领域，例如计算机视觉（图像分析）、自然语言处理或网络科学（包括社交网络）。
人工智能在药物化学领域的研究现状
主要关键词
相关文件推荐
