药物设计应用

蛋白质与蛋白质相互作用的预测

Hit发现

分子对接技术的高吞吐量虚拟筛选和评分

命中领先

先导优化

用于药物发现电子资源中的 ML

图示：药物发现平台电子资源中的机器学习。（来源：论文）

• 泛检测干扰筛查中的 ML （PAINS） 可以根据要求从 PAINS 数据库访问泛检测信息。从 Pubchem 库和筛选分析中编译出来的 Hit Dexter 2.0，可用于了解新设计化合物的生物学特性。
• 药物代谢物和代谢位点预测中的 ML  在进入临床实验之前，确定药物或新化学实体的代谢部位是非常必要的。药物代谢的预测可以通过动物模型（临床前研究）来完成，这是一个限制效率的步骤，而且成本高昂。利用机器学习模型可以解决这一问题，已经可以用于预测新陈代谢的工具有 ADMET预测器、FAME3、GLORY/GLORYx 等。
• 皮肤敏感参数预测中的 ML  皮肤敏感性的预测是评估新药/化合物安全性参数的基本标准之一。在这方面，基于随机森林的 MACCS（RF_MACCS）和基于支持向量机（SVM）的 PaDEL（SVM_PaDEL）算法等 AI 模型已经训练了大约 1400 个与局部淋巴结检测（LLNA）信息相关的配体。
• 天然产品标识中的 ML  用 265,000 个天然产物分离物和经 MCC 验证的合成文库训练的 ML，被用作基本预测模型 NP Scout 在线服务器，将揭示新发现的药物类似物的可能身份。NP Scout 在查询分子来源预测中的应用，可以提供有关其天然产物来源的信息，并可能成为基于天然产物的药物发现过程的重要组成。

药物发现问题

目标验证

预测生物标志物

数字病理学

挑战

• 在训练期间有几个参数和结构会导致 ML 策略产生问题。特别是在训练期间数据不足的情况下，特定的算法不能满足精度和局部最优。
• 透明度问题是药物发现的另一个挑战。在不同分类模型中的决策规则是不清楚的。在药物开发中，机器学习模型需要理解多种机制来解释结果，并且需要多个组合特征来提高对可解释性的信任度 。
• 可以从许多参考文献中访问集成数据，尤其是「组学」区域。
• 同质数据会产生集成挑战。
• 在制药公司，研究从巨大的分子延伸到个体，并且通常依赖于异构数据的整合；这些数据需要在不同的背景和规模下维持其自身，这本书就是一项挑战。

结论和未来方向

• 深度学习方法的性能可以直接影响数据挖掘的创新，因为多个深度神经网络在大量数据上得到有效训练。主要目的是解决迁移学习的自动问题。
• 「黑盒」模型在深度学习概念中变得混乱。Local Interpretable Model-Explanations（LIME）是反事实调查的一个例子。LIME 被用来解锁黑盒模型。在这里，必须通过深度学习模型来解释受限数据。然而，通过深度学习技术揭示数据仅在初始阶段发挥作用。
• 许多参数在神经网络的训练期间进行了调整，但一些理论和实践框架无法优化这些模型。