本文使用基于网络传播、网络邻近等人工智能算法对 6340 种药物进行评估，以便快速、可靠地筛选适合 SARS-CoV-2 感染的药物。结果表明，多模式方法比任何单一算法更好地预测了药物的有效性，并可为未来快速识别可重复用药提供方法学途径。
Apr, 2020
利用基于图形的自动编码器进行多特征类型聚类的无监督机器学习框架发现 COVID-19 药物再利用的三个感兴趣的簇，并推荐了前 15 种药物，其中包括大量正在进行临床试验的药物。
Jun, 2023
CoVex 是一个基于网络医学算法的互动在线平台，能够将实验验证的病毒 - 人类蛋白相互作用、人类蛋白质 - 蛋白质相互作用和药物 - 靶标相互作用进行整合，以系统级别研究新冠病毒和 SARS-CoV-1 致病机理，进行药物再利用研究和候选治疗的优先级排序，是一项研究 COVID-19 药物的重要资源，提供给科学界直接访问整合了病毒 - 宿主 - 药物相互作用的网络医学算法。
针对 COVID-19，本文利用机器学习对 1553 种已获 FDA 批准的药物及其他 7012 种在研或下市药物进行了筛选，发现许多已有药物可能对 SARS-CoV-2 有很强的潜在杀菌效果。
May, 2020
本研究通过使用 Zinc 数据库和计算模拟方法，结合决策树、多层感知机、KNN、梯度提升等机器学习回归方法，快速筛选并确定了 13 种具有重要潜力的 FDA 批准药物，可用于治疗 COVID-19，并提供了一种快速识别潜在治疗药物的方法。
May, 2023
为了应对 COVID-19，我们开发了一个全新的综合性知识发现框架 COVID-KG，从科学文献中提取了细粒度的多媒体知识元素，并利用构建的多媒体知识图谱用于问答和报告生成，以药物再利用为案例研究。该框架还提供了详细的上下文句子，子图和知识子图作为证据。
Jul, 2020
该研究提出了一种名为 CogMol 的自动生成新药的框架，它结合了 SMILES VAE 嵌入的蛋白 - 分子结合亲和力预测、分子控制生成方案等技术，可以高效地生成具有高亲和力和低毒性的新药，不需要针对目标进行微调和目标结构信息。
为了提高新型冠状病毒肺炎 CT 成像检测的准确性，我们开发了名为 COVIDCTNet 的一组算法，该算法可将新型冠状病毒肺炎与社区获得性肺炎和其他肺部疾病区分开来，并将 CT 成像检测的准确性提高到 90%，比放射科医生 70% 更高。
本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。
Mar, 2020
使用生物知识图谱进行药物再利用，通过预测候选药物的有效性和药物与与疾病相关的蛋白质结合的可能性，通过嵌入模型和神经网络进行学习并实现了不同的模型来获取节点嵌入。在 MR、MRR 和 Hits@3 方面，RESCAL 在测试数据集上表现最佳。
Dec, 2022