在過去的幾十年中，計算機科學家已經(jīng)開發(fā)出了廣泛的應用程序，包括用于藥物分析的深度學習工具。最近，已經(jīng)對預測藥物特性的深度學習模型進行了訓練，以分析和學習分子表示形式。

清華大學，新加坡國立大學，復旦大學藥學院和浙江大學的研究人員最近開發(fā)了MolMapNet，這是一種新的人工智能(AI)工具，可以通過分析基于人類知識的分子表示來預測藥物的藥物特性。 。該工具發(fā)表在《自然機器智能》上的論文中，也可以由對計算機科學，生物學或其他科學知識很少或根本不了解的人使用。

“我們知道藥物研究需要學習許多分子特性，尤其是從人類知識中獲得的豐富分子特性(如體積)集合，但是這些分子特性很難被AI(人工智能)學習，” Yu Zong Chen進行這項研究的研究人員之一，告訴TechXplore。

雖然AI工具通常擅長識別空間有序的圖像(例如，對象的圖像)，但它們在諸如分子特性之類的無序數(shù)據(jù)上的表現(xiàn)卻不盡人意。該特征極大地損害了它們在藥物分析中的性能。Chen和他的同事希望克服這一限制，以提高用于預測藥物特性的深度學習模型的性能。

Chen說：“由于藥品數(shù)據(jù)有限，很難改善AI架構。” “我們問我們是否可以改善AI讀取分子特性的方式。我們的解決方案是將無序分子特性映射到有序圖像中，以使AI更有效地識別分子特性。”

這種創(chuàng)新的開箱即用的AI工具不需要進行參數(shù)微調(diào)，這意味著非專業(yè)用戶也可以使用它。值得注意的是，研究人員發(fā)現(xiàn)，它在26種藥物基準數(shù)據(jù)集中的大多數(shù)數(shù)據(jù)上均優(yōu)于最新的AI工具。

Chen說：“我們的方法遵循三個步驟，以改善對藥物特性的深度學習預測。” “第一步是從超過800萬個分子中廣泛學習分子特性的內(nèi)在聯(lián)系。這些關系可能與各種藥物特性相關，因此可以作為各種藥物特性的指標。”

該方法的第二步需要使用新開發(fā)的數(shù)據(jù)轉(zhuǎn)換技術將藥物的分子特性映射到2D圖像中，其中像素布局反映了這些特性之間的內(nèi)在聯(lián)系。這些像素布局包含藥物特性的關鍵指標，這些指標可以由經(jīng)過適當培訓的深度學習模型捕獲。

第三步，研究人員訓練了圖像識別工具來學習2D圖像，并使用它們來預測藥物特性。AI工具可以捕獲表征特定藥物特性的特定像素布局模式，類似于AI技術可以通過查看頭發(fā)的長度或其他與性別相關的特征來區(qū)分圖片中的男性和女性。

陳說：“我們的研究有兩個顯著成就。” “首先是引入了一種新方法，用于將無序分子特性映射到表示分子特性的內(nèi)在關系的有序圖像中。其二是開發(fā)了一種創(chuàng)新的開箱即用的AI工具，用于深度學習預測具有非凡性能的非專家的藥物特性。”

將來，即用型的深度學習模型可能會大大加快藥物研究的速度，從而幫助科學家更快，更有效地預測不同藥物的特性。Chen和他的同事們在接下來的研究中計劃進一步開發(fā)他們的模型，以便也可以將其應用于生物醫(yī)學研究。

標簽： 深度學習模型