使用循环神经网络预测药物分子的副作用
本文研究了基于计算机算法的 de novo 药物设计,利用循环神经网络训练生成分子结构,生成分子的性质与原用来训练模型分子的性质很相似。同时,提出使用小型分子集与模型来微调生成分子的活性,可以生成大量的新分子用在药物研发中。
Jan, 2017
该研究提出了一种神经网络架构,利用多药副作用类型和药物分子结构,采用共同注意机制,对药物组合进行机器学习,以便预测药物之间的相互作用和潜在的副作用。
May, 2019
近几十年来,传统药物研发面临高成本、长周期和高风险等挑战,为了解决这些问题,许多计算方法被提出用于预测药物与疾病之间的关系,从而降低新药研发的成本、周期和风险。本综述聚焦于预测药物重新定位中的药物 - 疾病关联方法的最新进展,将这些方法分为神经网络算法、基于矩阵的算法、推荐算法、基于链接推理的算法以及文本挖掘和语义推理等几个组别。随后比较了现有药物 - 疾病关联预测算法的预测性能,并深入探讨了关于药物 - 疾病关联的现有挑战和未来前景。
Sep, 2023
本论文讲述了一种完全基于数据驱动的模型,该模型学习执行一个反合成反应预测任务,将其作为序列到序列映射问题来处理。该模型为端到端的训练模型,具有编码器 - 解码器结构,包含两个递归神经网络,该模型通过对美国专利文献中的 50,000 个实验反应示例进行训练,拥有解决计算机反应分析的挑战性问题的重要前进一步。
Jun, 2017
该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能,包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等,并在多个基于配体的任务中验证了模型性能的创新性。
Mar, 2018
本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量,通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合,该方法在小分子化合物距离度量上取得了显著的进展。
Nov, 2016
利用深度量子神经网络的结构,提出一种用于预测药物效果的混合量子模型,并在减小的癌症药物敏感性基因组数据集上进行定量分析,表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。
Nov, 2022
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