药物表示学习研究进展

发布时间：2021-05-09 04:27

　　药物开发过程存在资本密度高、风险大、周期长的特点,需要投入大量的资金、人力与物力。传统的机器学习方法虽然可以在一定程度上辅助药物开发,但需要分子描述符作为特征输入,而不同的分子描述符的选择对机器学习模型的性能影响较大,因此传统的机器学习方法大多需要进行繁复、耗时的特征工程。近年新兴的深度学习方法,能够从药物的"原始"结构中直接提取特征,从而绕开特征工程,缩短开发周期。该文将现有的药物表示学习方法划分为2类:基于简化分子线性输入规范（SMILES）表达式的药物表示学习和基于分子图的药物表示学习,报告了这两类药物表示学习方法的最新研究进展,阐述了各种方法的创新点与局限性。最后,指出了当前药物表示学习研究中存在的重大挑战,并讨论了可能的解决方案。 

【文章来源】：清华大学学报(自然科学版). 2020,60(02)北大核心EICSCD

【文章页数】：10 页

【文章目录】：
1 基于SMILES表达式的表示学习
    1.1 药物类比文本
    1.2 精确重构即合理
2 基于分子图的表示学习
    2.1 性质预测任务
    2.2 相互作用预测任务
    2.3 药物设计任务
3 重要挑战
4 结 论



本文编号：3176624