Dec, 2020

在药物发现和开发中利用图形机器学习

PDF
TL;DR本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力，并在药物研发和发现的全过程中，从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结，并指出，尽管这一领域仍在崛起，但关键的里程碑已经出现，表明图机器学习将成为生物医学机器学习的首选模型框架。
graph machine learningbiomolecular structuresmulti-omic datasetsdrug discoverydrug development
发现论文，激发创造
  • 药物设计的分子生成：基于图学习的视角

    综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。

    Feb, 2022

  • 药物相互作用预测中深度学习与图学习的综合评估

    本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

    Jun, 2023

  • 机器学习药物发现中的小分子性质

    机器学习在药物发现中预测小分子性质方面具有很大潜力。本文提供了对近年来为此目的引入的各种机器学习方法的综合概述，并对结合亲合力、溶解度和 ADMET（吸收、分布、代谢、排泄和毒性）等多个性质预测和优化技术进行了讨论。我们还评估了模型预测方面的技术，特别是在药物发现中关键决策方面提供模型预测理解的技术。总的来说，这篇综述为药物发现中小分子性质预测的机器学习模型提供了深入了解。尽管有多种多样的方法，但它们的性能通常相当。神经网络虽然更加灵活，但并不总是优于更简单的模型。这表明高质量的训练数据对于训练准确的模型仍然至关重要，并且需要标准化的基准、额外的性能指标和最佳实践，以便更好地比较不同技术和模型之间的差异。

    Aug, 2023

  • 交互式生物分子系统的图表示学习

    本文综述了用于表示生物分子和系统的计算机可识别对象的方法学，特别是强调基于图形技术的几何深度学习模型如何分析生物分子数据以实现药物发现，蛋白质表征和生物系统分析，最终总结了该领域的当前状况以及存在的挑战和未来研究方向。

    Apr, 2023

  • 分子图深度学习预测药物副作用

    本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

    Nov, 2022

  • 图表示学习推进生物医学研究：最近进展，挑战和未来方向

    本文回顾了图表示学习在生物医学领域的最新进展、关键挑战和未来的研究方向。

    Jun, 2023

  • 机器学习在生物制药工艺开发和制造中的应用：当前趋势、挑战和机遇

    机器学习在生物制药领域具有重要贡献，但其应用仍处于早期阶段，未能直接支持基于设计质量的生物制药开发与制造，阻碍了从开发到制造中的生物工艺自动化的巨大潜力。然而，随着大规模生产数据的积累，逐渐采用基于机器学习模型而非传统的多元数据分析方法，主要驱动因素是通过先进的过程分析技术对生物制药产品的过程变量和质量属性进行实时监测。本文旨在全面回顾机器学习解决方案在生物产品设计、监测、控制和上、下游以及产品配方过程中的应用，深入讨论与生物工艺、过程数据以及机器学习模型在生物制药过程开发和制造中相关的主要挑战，并提供新兴的机器学习方法和新型数字生物制药解决方案发展的进一步见解。

    Oct, 2023

  • 学习发现药物

    此篇论文综述了近期在人工智能方法论中应用于药物发现的最新进展，并将其分为分子序列和几何图形的表征学习、基于数据驱动的推理以及基于知识的推理三个相对稳定的子领域，并探讨了未来可能的研究方向及挑战。

    Feb, 2022

  • 分子表示的几何深度学习

    该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

    Jul, 2021

  • 未来药物发现的实施：基于量子的机器学习模拟 (QMLS)

    通过结合机器学习分子生成、量子模拟和先导优化，我们提出了一种名为 QMLS 的概念，将整个药品研发过程缩短到三到六个月，并将开销降低到 5 万到 8 万美元。

    Aug, 2023