AtomNet 是第一个基于结构的深度卷积神经网络，用于预测小分子在药物研发应用中的生物活性。它使用局部卷积滤波器处理结构目标信息，并在多个基准测试中表现出比现有技术更好的性能。

Oct, 2015

使用 ADRNet 模型，结合临床数据和非临床数据，对药物的不良药物反应进行预测和评估，并通过两个公开的临床数据集和两个非临床数据集进行了详细实验验证。

Aug, 2023

本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性，并展示了其优于化学信息处理方法的实验结果。

Mar, 2017

本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

Aug, 2020

提出了一种基于 EHR 数据的注意力引导协同决策网络 (ACDNet) 进行药物推荐的方法，ACDNet 利用注意力机制和 Transformer 模型，全面、局部地建模患者的健康状况和药物记录，并利用药物记录与药物表示之间的相似性促进推荐过程；实验结果表明，ACDNet 在 Jaccard、PR-AUC 和 F1 分数等指标上优于最先进的模型，并且消融实验进一步验证了 ACDNet 每个模块的有效性，实证了其在基于 EHR 数据的药物推荐中的实用性。

Jul, 2023

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

利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

Jan, 2018

本文提出了一种基于生成模型的方法来自动设计具有增强的结合特异性或中和能力的抗体的 CDRs。该方法系统地利用了序列和三维结构之间的关系，并在设计中具有更高的效率和灵活性，最终成功设计出能够中和 SARS-CoV-2 病毒的抗体。

Oct, 2021

本文提出了一种新的深度学习体系结构，以分类 ALL 癌细胞图像，并利用卷积神经网络和核 SVM 多模块框架进行预测，并在公共数据集上获得了最佳的加权 F1 得分。

May, 2020

本研究提出了一种基于 transformer 的神经网络 TCR 来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明 TCR 优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。

Jul, 2022