学习发现药物
药物发现正在适应新技术,如数据科学、信息学和人工智能(AI),以加速有效治疗的开发,同时减少成本和动物实验。 AI 正在改变药物发现的方式,成功的药物发现需要优化与药理动力学、药代动力学和临床结果相关的特性。本文讨论了 AI 在药物发现的三个支柱(疾病、靶点和治疗模式)中的应用,重点关注小分子药物。
Jul, 2023
这篇综述介绍了近十年来人工智能在药物研发领域的应用,主要包括分子属性预测和分子生成任务,讨论了数据资源、分子表示方法、基准平台和相关技术,旨在为研究人员提供指导,并提供了一个收集论文和代码的 GitHub 存储库作为学习资源。
Jun, 2021
本文综述了人工智能在药物发现领域中的优势、挑战、局限性及其可能的应对策略,讨论了数据增强、可解释性人工智能和将人工智能与传统实验方法相结合的潜在优势。总的来说,本文强调了人工智能在药物发现中的潜力,并提供了在这个领域实现其潜力的挑战和机会的见解。
Dec, 2022
药物行业中人工智能的应用已经经历了持续增长的阶段,主要应用于药物研发、个体化医学和癌症等治疗领域。使用先进的机器学习算法,通过考虑环境条件、生活方式和健康历史等因素,可以为每个个体制定定制化的治疗方案,从而优化健康结果。
Nov, 2023
通过机器学习和 AI 技术,提出了一个支持领域和流程知识管理,结合人工智能协作的工作台框架,以减少时间和机会成本的目的,实现化学空间探索的新型功能材料的发现。
Nov, 2022
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
人工智能在药物研发领域发挥着重要作用,但复杂的模型需要透明和解释性,因此可解释的人工智能是处理该问题的一种新方法。本文综述了可解释人工智能在药物研发中的最新进展,包括各种方法、应用以及挑战和局限,还探讨了其在目标识别、化合物设计和毒性预测等方面的应用,以及未来的研究方向。该综述旨在全面了解可解释人工智能在药物研发中的现状及其对该领域的潜在影响。
Sep, 2023
该研究表明,将人类专业知识的分布纳入考虑,并以此训练无监督的人工智能模型,能够显著提高 AI 对未来发现的预测能力,特别是在相关文献稀缺的情况下,这些模型成功预测出人类预测和可能做出预测的科学家,为科学进步开创新的前沿。
Jun, 2023