中文字幕一级黄色A级片|免费特级毛片。性欧美日本|偷拍亚洲欧美1级片|成人黄色中文小说网|A级片视频在线观看|老司机网址在线观看|免费一级无码激情黄所|欧美三级片区精品网站999|日韩av超碰日本青青草成人|一区二区亚洲AV婷婷

• 藥物發(fā)現(xiàn)和研發(fā)是制藥企業(yè)和化學(xué)科學(xué)家的重要研究領(lǐng)域。然而，低效率和高成本給該領(lǐng)域帶來了障礙。此外，處理來自基因組學(xué)、蛋白質(zhì)組學(xué)、微陣列和臨床試驗(yàn)的大量復(fù)雜數(shù)據(jù)也存在挑戰(zhàn)。

 

人工智能和機(jī)器學(xué)習(xí)技術(shù)使制藥領(lǐng)域?qū)崿F(xiàn)了現(xiàn)代化。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法已被應(yīng)用于多肽合成、虛擬篩選、毒性預(yù)測(cè)、藥物監(jiān)測(cè)和釋放、藥效團(tuán)建模、定量構(gòu)效關(guān)系、藥物重定位、多藥理和生理活性等藥物發(fā)現(xiàn)過程。此外，新的數(shù)據(jù)挖掘和管理技術(shù)為最近開發(fā)的建模算法提供了支持。

 

今天為大家解讀的文獻(xiàn)是Molecular Diversity雜志于今年4月發(fā)表的《Artificial intelligence to deep learning: machine intelligence approach for drug discovery》[1]，第一作者為印度DTU的Rohan Gupta教授。由于閱讀后對(duì)編者啟發(fā)很大，所以整理后分享出來，如有理解不當(dāng)之處，懇請(qǐng)大家批評(píng)指正。

 

 

圖1 人工智能在藥物發(fā)現(xiàn)與研發(fā)中的應(yīng)用

 

人工智能的演進(jìn)：從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)

 

人工智能（AI），也被稱為機(jī)器智能，指的是計(jì)算機(jī)系統(tǒng)從輸入或過去的數(shù)據(jù)中學(xué)習(xí)的能力，術(shù)語“人工智能”通常用于機(jī)器在學(xué)習(xí)和解決問題過程中模仿與人腦相關(guān)的認(rèn)知行為。2015年9月，谷歌顯示AI已成為搜索量最大的詞匯。

一些人將機(jī)器學(xué)習(xí)（ML）描述為“AI的應(yīng)用”，而另一些人則將其描述為“AI的子集”。ML將數(shù)據(jù)與樸素貝葉斯、決策樹（DT）、隱馬爾可夫模型（HMM）等算法一起輸入機(jī)器，使其在不顯式編程的情況下進(jìn)行學(xué)習(xí)。大約在20世紀(jì)中旬，Igor Aizenberg和他的同事們?cè)谡務(wù)撊斯ど窠?jīng)網(wǎng)絡(luò)（ANN）時(shí)，首次提出了“深度學(xué)習(xí)（DL）”這一術(shù)語。

 

根據(jù)《人工智能：現(xiàn)代方法》中的討論，人工智能有七種分類（圖2），分別是推理和問題解決、知識(shí)表示、規(guī)劃和社會(huì)智能、感知、機(jī)器學(xué)習(xí)、機(jī)器人：運(yùn)動(dòng)和操縱，以及自然語言處理。機(jī)器學(xué)習(xí)進(jìn)一步分為三個(gè)重要子集：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)；而自然語言處理被分為五個(gè)主要子集，包括分類、機(jī)器翻譯、問答、文本生成和內(nèi)容提取?？梢哉f，DL是ML的子集，ML是AI的子集，進(jìn)化的順序是AI>ML>DL。

 

 

圖2 人工智能的分類

 

藥物發(fā)現(xiàn)的革命性過程：大數(shù)據(jù)和人工智能的作用

 

大數(shù)據(jù)可以定義為過于龐大和錯(cuò)綜復(fù)雜的數(shù)據(jù)集，無法使用傳統(tǒng)的數(shù)據(jù)分析軟件、工具和技術(shù)進(jìn)行分析。大數(shù)據(jù)的三個(gè)主要特征是體積、速度和多樣性，其中體積代表產(chǎn)生的大量數(shù)據(jù)，速度代表這些數(shù)據(jù)被再現(xiàn)的速率，多樣性代表數(shù)據(jù)集中存在的異質(zhì)性。隨著微陣列、RNA-seq和高通量測(cè)序（HTS）技術(shù)的出現(xiàn)，每天都會(huì)產(chǎn)生過多的生物醫(yī)學(xué)數(shù)據(jù)，當(dāng)代藥物發(fā)現(xiàn)也因此進(jìn)入了大數(shù)據(jù)時(shí)代。

在藥物發(fā)現(xiàn)中，第一步也是最重要的一步是確定與疾病病理生理學(xué)有關(guān)的適當(dāng)靶點(diǎn)（如基因、蛋白質(zhì)），然后找到可以干擾這些靶點(diǎn)的藥物或類藥物分子。如今我們可以搜索一系列生物醫(yī)學(xué)數(shù)據(jù)庫來實(shí)現(xiàn)，如NCBI GEO、癌癥基因組圖譜（TCGA）和Arrayexpress等等。有時(shí)甚至出版的文獻(xiàn)也可以用于識(shí)別靶點(diǎn)，如PubMed是各種已出版生物醫(yī)學(xué)文獻(xiàn)的數(shù)據(jù)庫，對(duì)其進(jìn)行數(shù)據(jù)挖掘可以幫助識(shí)別不同疾病的靶點(diǎn)。此外，人工智能的發(fā)展使得大數(shù)據(jù)分析變得容易得多，因?yàn)楝F(xiàn)在有無數(shù)的ML技術(shù)可用，這些技術(shù)可以幫助提取這些大型生物醫(yī)學(xué)數(shù)據(jù)集中存在的有用特征、模式和結(jié)構(gòu)。如Han等人[2]利用大數(shù)據(jù)和人工智能在2019年開發(fā)了DriverML，這是一個(gè)基于ML監(jiān)督學(xué)習(xí)的工具，可以指出與癌癥相關(guān)的驅(qū)動(dòng)基因。

在確定和驗(yàn)證了合適的靶點(diǎn)之后，下一步是尋找合適的藥物或類藥物分子，這些分子可以與靶點(diǎn)相互作用并引起所需的反應(yīng)。在大數(shù)據(jù)時(shí)代，我們可以支配海量的大型化學(xué)數(shù)據(jù)庫，這些數(shù)據(jù)庫可以幫助我們找到針對(duì)特定靶點(diǎn)的完美藥物。比如PubChem是一個(gè)免費(fèi)的化學(xué)數(shù)據(jù)庫，其中包含各種化學(xué)結(jié)構(gòu)的數(shù)據(jù)，包括它們的生物、物理、化學(xué)和毒性特性；ChEMBL包含許多具有類似藥物特性的生物活性化合物的數(shù)據(jù)，還包含有關(guān)這些化合物的吸收、分布、新陳代謝和排泄（ADME）、毒性特性，甚至它們的靶相互作用的信息；其他的化學(xué)數(shù)據(jù)庫還包括DrugBank、LINCS L1000和PDB等。

 

 

圖3 大數(shù)據(jù)在藥物設(shè)計(jì)和發(fā)現(xiàn)中的應(yīng)用

 

人工智能和傳統(tǒng)化學(xué)的結(jié)合：促進(jìn)藥物發(fā)現(xiàn)

 

隨著技術(shù)的進(jìn)步和高性能計(jì)算機(jī)的發(fā)展，在計(jì)算機(jī)輔助藥物設(shè)計(jì)（CADD）中補(bǔ)充了從ML到DL的一系列人工智能算法。在過去的二十年里，發(fā)展了許多用于計(jì)算藥物發(fā)現(xiàn)、定量結(jié)構(gòu)活性關(guān)系（QSAR）和自由能最小化技術(shù)的工具。例如，使用機(jī)器智能方法（如DT、隨機(jī)森林（RF）方法、CNN、SVM、LSTM網(wǎng)絡(luò)和梯度增強(qiáng)機(jī)）區(qū)分復(fù)合細(xì)胞活性。類似地，使用QSAR方法預(yù)測(cè)PAMPA有效滲透率時(shí)，結(jié)果表明相比于偏最小二乘（PLS）方案，使用分層支持向量機(jī)（HSVR）方案開發(fā)的基于ML的模型在訓(xùn)練集、測(cè)試集和統(tǒng)計(jì)分析方面執(zhí)行得更好。另外，對(duì)于新化合物的合成，化學(xué)科學(xué)家常常借助已發(fā)表的文獻(xiàn)，而隨著涉及AI和ML的自動(dòng)藥物發(fā)現(xiàn)方法的進(jìn)步，區(qū)分現(xiàn)有藥物和新的化學(xué)結(jié)構(gòu)變得相對(duì)簡單。

 

傳統(tǒng)的面向化學(xué)的藥物發(fā)現(xiàn)與人工智能藥物設(shè)計(jì)相結(jié)合，提供了一個(gè)很好的研究平臺(tái)。此外，世界各地的系統(tǒng)生物學(xué)和化學(xué)科學(xué)家與計(jì)算科學(xué)家合作，開發(fā)現(xiàn)代ML算法和原理，可以促進(jìn)藥物的發(fā)現(xiàn)和開發(fā)。

 

人工智能在藥物發(fā)現(xiàn)與藥物研發(fā)中的應(yīng)用

 

在藥物發(fā)現(xiàn)和開發(fā)過程中，最艱巨和令人沮喪的一步是尋找存在于浩瀚化學(xué)空間中合適的、具有生物活性的藥物分子；而最令人氣憤的，是十分之九的藥物分子通常不能通過第二階段臨床試驗(yàn)和其他監(jiān)管批準(zhǔn)。上述事件可以通過實(shí)施基于人工智能的工具和技術(shù)來解決。人工智能可以參與藥物開發(fā)過程的每一個(gè)階段：

 

5.1 一次和二次藥物篩選

 

在藥物發(fā)現(xiàn)中，先導(dǎo)化合物的篩選是至關(guān)重要的，人工智能在識(shí)別新的和潛在的先導(dǎo)化合物方面發(fā)揮著巨大的作用。在化學(xué)空間中有大約1.06億個(gè)化學(xué)結(jié)構(gòu)，他們來自不同的研究，如基因組研究、臨床和臨床前研究、體內(nèi)分析和微陣列分析。利用機(jī)器學(xué)習(xí)模型，如強(qiáng)化模型、Logistic模型、回歸模型和生成模型，根據(jù)活性位點(diǎn)、結(jié)構(gòu)和靶結(jié)合能力可以篩選出這些化學(xué)結(jié)構(gòu)。

 

 

圖4 人工智能在一次和二次藥物篩選中的應(yīng)用

 

5.2 肽合成與小分子設(shè)計(jì)

 

多肽是一種由大約2-50個(gè)氨基酸組成的生物活性小鏈，由于它們具有跨越細(xì)胞屏障的能力并可以到達(dá)所需的靶點(diǎn)，因此越來越多地被用于治療。近年來，研究人員利用人工智能的優(yōu)勢(shì)發(fā)現(xiàn)了新肽。例如，Yan[3]等人在2020開年發(fā)了基于DL的短抗菌肽（AMPs）鑒定平臺(tái)Deep-AmPEP30。AmPEP30是一種CNN驅(qū)動(dòng)的工具，可以根據(jù)DNA序列數(shù)據(jù)預(yù)測(cè)短AMP。使用該平臺(tái)，研究人員從一種存在于胃腸道的真菌病原體——光滑梭菌的基因組序列中鑒定出新的AMPs。

 

小分子是分子量非常低的分子，就像肽一樣，利用人工智能也可以用來探索小分子的治療作用。例如，Zhavoronkov等人[4]設(shè)計(jì)了一種基于生成性強(qiáng)化學(xué)習(xí)的小分子從頭設(shè)計(jì)工具GENTRL，并利用它發(fā)現(xiàn)了一種新的酶抑制劑，DDR1激酶。

 

5.3 藥物劑量和給藥效果的識(shí)別

 

給病人任何不適當(dāng)劑量的藥物都可能導(dǎo)致不良和致命的副作用，多年來，確定能夠以最小毒副作用達(dá)到預(yù)期效果的藥物的最佳劑量一直是一個(gè)挑戰(zhàn)。隨著人工智能的出現(xiàn)，許多研究人員正在借助ML和DL算法來確定合適的藥物劑量。

 

例如，Shen等人[5]開發(fā)了一個(gè)基于人工智能的平臺(tái)，稱為AI-PRS，用于確定通過抗逆轉(zhuǎn)錄病毒療法治療艾滋病毒的最佳劑量和藥物組合。AI-PRS是一種神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的方法，它通過拋物線響應(yīng)曲線（PRS）將藥物組合和劑量與療效聯(lián)系起來。在他們的研究中，10名HIV患者聯(lián)合使用替諾福韋、法韋倫和拉米夫定，AI-PRS分析表明替諾福韋的劑量可以減少起始劑量的33%，而不會(huì)導(dǎo)致病毒復(fù)發(fā)。

 

5.4 生物活性物質(zhì)預(yù)測(cè)與藥物釋放監(jiān)測(cè)

 

最近已經(jīng)開發(fā)了多種在線工具來分析藥物釋放，以及選定的生物活性化合物作為載體的可行性。最常用的是基于化學(xué)特征的藥效團(tuán)評(píng)價(jià)。為了研究基于配體的化學(xué)性質(zhì)，已經(jīng)使用CATALYST程序建立了各種成功的實(shí)驗(yàn)。此外，利用人工智能研究人員可以確定用于與疾病相關(guān)的特定靶點(diǎn)的生物活性化合物。例如，Wu等人利用集成DL和RF的方法設(shè)計(jì)了WDL-RF用于測(cè)定靶向配體的G蛋白偶聯(lián)受體（GPCRs）的生物活性。

 

5.5 蛋白質(zhì)折疊和蛋白質(zhì)相互作用的預(yù)測(cè)

 

分析蛋白質(zhì)-蛋白質(zhì)相互作用（PPI）對(duì)于藥物開發(fā)和發(fā)現(xiàn)至關(guān)重要。比如使用貝葉斯網(wǎng)絡(luò)（BN）預(yù)測(cè)PPI，其本質(zhì)是利用基因共表達(dá)、基因本體（GO）和其他生物過程相似性，集成數(shù)據(jù)集產(chǎn)生精確的PPI網(wǎng)絡(luò)。已有研究小組使用BN結(jié)合酵母菌的數(shù)據(jù)集研究出一種新的層次模型PCA集成極限學(xué)習(xí)機(jī)（PCA-EELM），該工具可以僅使用蛋白質(zhì)序列信息來預(yù)測(cè)蛋白質(zhì)-蛋白質(zhì)相互作用，提供準(zhǔn)確且快速的輸出[6]。

 

5.6 基于結(jié)構(gòu)和基于配體的虛擬篩選

 

在藥物設(shè)計(jì)和藥物發(fā)現(xiàn)中，虛擬篩選（VS）是CADD的重要方法之一，是從化合物庫中篩選出有前景的治療化合物的有效方法。作為高通量篩選的重要工具，它也帶來了成本高、準(zhǔn)確率低的問題。要將ML用于VS，應(yīng)該有一個(gè)由已知的活性和非活性化合物組成的過濾訓(xùn)練集。這些訓(xùn)練數(shù)據(jù)用于使用監(jiān)督學(xué)習(xí)技術(shù)訓(xùn)練模型。然后對(duì)訓(xùn)練的模型進(jìn)行驗(yàn)證，如果它足夠精確，則將該模型用于新的數(shù)據(jù)集，以針對(duì)目標(biāo)篩選具有所需活性的化合物。ML能夠加快VS的速度，使其更完善，甚至可以減少VS中的誤報(bào)。

 

一般來說VS分兩種，基于結(jié)構(gòu)的VS（SBVS）和基于配體的VS（LBVS）（圖5）。其中，分子對(duì)接是SBVS中應(yīng)用的主要原則，已經(jīng)開發(fā)了幾種基于AI和ML的評(píng)分算法，如NNScore、CScore、SVR-SCORE和ID-SCORE；也有算法被開發(fā)用于SBVS中的分子動(dòng)態(tài)模擬分析以及預(yù)測(cè)SBVS中蛋白質(zhì)-配體的親和力，如RFS、支持向量機(jī)、CNNs和淺層神經(jīng)網(wǎng)絡(luò)。類似的， LBVS也開發(fā)了不同的算法和工具，例如SwissSimilarity、METADOCK、HybridSim-VS、PKRank、BRUSELAS和AutoDock Bias等等。

 

 

圖5 基于配體的（A）和基于結(jié)構(gòu)的（B）虛擬篩選

 

5.7 QSAR建模與藥物再利用

 

在藥物設(shè)計(jì)和開發(fā)中，研究化學(xué)結(jié)構(gòu)和理化性質(zhì)與生物活性之間的關(guān)系是至關(guān)重要的。定量構(gòu)效關(guān)系（QSAR）建模是一種計(jì)算方法，通過它可以在化學(xué)結(jié)構(gòu)和生物活性之間建立定量的數(shù)學(xué)模型。傳統(tǒng)QSAR模型大致分為兩類，回歸模型（如高斯過程GPs）和分類模型。目前已經(jīng)開發(fā)了多種基于網(wǎng)絡(luò)的工具和算法，如Vega平臺(tái)、QSAR-Co、FL-QSAR、Transformer-CNN和Chemception等，為QSAR建模提供了一條新的途徑。

 

在藥物設(shè)計(jì)和發(fā)現(xiàn)中，藥物重新定位是指對(duì)已經(jīng)針對(duì)一種疾病情況開發(fā)的藥物進(jìn)行調(diào)查，并針對(duì)其他疾病情況進(jìn)行重新定位。近年來，基于人工智能的工具和算法的出現(xiàn)為該領(lǐng)域研究提供了平臺(tái)，如DrugNet、DRIMC、DPDR-CPI、PHARMGKB和DRRS等。特別是最近，新冠肺炎成為一種全球性的流行病，世界各地的研究人員開始尋找有前途的治療劑。在這方面，Hooshmand等人基于神經(jīng)網(wǎng)絡(luò)進(jìn)行藥物重新定位，確定了16種潛在的抗HCoV可再利用藥物，并為新冠肺炎確定了12個(gè)有前景的藥物靶點(diǎn)[7]。

 

 

圖6 QSAR建模（A）與藥物再利用（B）

 

5.8 理化性質(zhì)和生物活性的預(yù)測(cè)

 

眾所周知，每一種化合物都與溶解度、分配系數(shù)、電離度、滲透系數(shù)等物理化學(xué)性質(zhì)有關(guān)，這可能會(huì)阻礙化合物的藥代動(dòng)力學(xué)特性和藥物靶向結(jié)合效率。因此，在設(shè)計(jì)新的藥物分子時(shí)，必須考慮化合物的物理化學(xué)性質(zhì)。為此，已經(jīng)開發(fā)了不同的基于人工智能的工具來預(yù)測(cè)這些性質(zhì)，包括分子指紋、SMILES格式、庫侖矩陣（Coulomb matrices）和勢(shì)能測(cè)量，這些都用于DNN訓(xùn)練階段。

 

此外，藥物分子的治療活性取決于其與受體或靶點(diǎn)的結(jié)合效率，因此，預(yù)測(cè)化學(xué)分子與治療靶點(diǎn)的結(jié)合親和力對(duì)于藥物的發(fā)現(xiàn)和開發(fā)至關(guān)重要。人工智能算法的最新進(jìn)展增強(qiáng)了該過程，使用相似性特征已經(jīng)開發(fā)了幾個(gè)基于網(wǎng)絡(luò)的工具，如ChemMapper和相似集合方法（SEA）。此外，還構(gòu)建了基于ML和DL的藥物靶標(biāo)親和力識(shí)別模型，如KronRLS、SimBoost、DeepDTA和Padme等。

 

5.9 化合物的作用方式和毒性預(yù)測(cè)

 

藥物毒性是指化學(xué)分子由于化合物的作用方式或新陳代謝方式而對(duì)生物體產(chǎn)生的不利影響。人工智能可以預(yù)測(cè)藥物分子與靶點(diǎn)結(jié)合和未結(jié)合時(shí)的效應(yīng)，以及體內(nèi)安全性分析。已經(jīng)開發(fā)了不同的基于Web的工具，如LimTox、pkCSM、admetSAR和Toxtree。

 

5.10 分子通路的鑒定與多重藥理學(xué)

 

人工智能和最大似然算法在藥物發(fā)現(xiàn)和開發(fā)中的重要成果之一是預(yù)測(cè)和估計(jì)疾病網(wǎng)絡(luò)、藥物-藥物相互作用和藥物-靶點(diǎn)關(guān)系的總體拓?fù)浜蛣?dòng)力學(xué)。數(shù)據(jù)庫如DisGeNET、STRTCH、STRING分別被用于確定基因-疾病關(guān)聯(lián)、藥物-靶標(biāo)關(guān)聯(lián)和分子途徑。例如，Gu等人在2020年使用相似性集成方法確定了197種最常用中草藥的靶點(diǎn)，然后使用DisGeNET數(shù)據(jù)庫將這些靶標(biāo)與不同的疾病聯(lián)系起來，從而將草藥與可用于治療的疾病聯(lián)系起來[8]。

 

在藥物化學(xué)中，多重藥理學(xué)是指在與疾病相關(guān)的藥物靶標(biāo)生物網(wǎng)絡(luò)中設(shè)計(jì)能夠與多個(gè)靶點(diǎn)相互作用的單一藥物分子。它適合于為復(fù)雜疾病，如癌癥、神經(jīng)退行性疾?。∟DDS）、糖尿病和心力衰竭等設(shè)計(jì)治療劑。由于強(qiáng)大的挖掘能力和數(shù)據(jù)分析能力，基于ML的方法具有分析牽連分子網(wǎng)絡(luò)的潛力，大大增加發(fā)現(xiàn)多靶配體的概率。此外，ML模型有助于識(shí)別具有不同結(jié)合口袋的多靶配體。

 

5.11 臨床試驗(yàn)的設(shè)計(jì)

 

在引入人工智能技術(shù)后，臨床試驗(yàn)的成功率大幅提高。IBM Watson開發(fā)了一個(gè)臨床試驗(yàn)配對(duì)系統(tǒng)[9]，該系統(tǒng)使用患者的醫(yī)療記錄和大量過去的臨床試驗(yàn)數(shù)據(jù)來創(chuàng)建詳細(xì)的檔案。人工智能模型還可以通過分析毒性、副作用和其他相關(guān)參數(shù)來提高成功率，從而降低臨床試驗(yàn)的成本。

 

未來的挑戰(zhàn)和可能的解決方案

 

目前，制藥行業(yè)在開發(fā)新藥時(shí)面臨的主要挑戰(zhàn)是成本高和效率低。ML方法和DL的最新發(fā)展帶來了“降本增效”的巨大機(jī)會(huì)，這也引起了各地研究人員的極大興趣，以至于許多制藥公司都與人工智能公司合作。此外，該領(lǐng)域的初創(chuàng)公司數(shù)量也在不斷攀升，到2020年6月達(dá)到了230家。

如今，人工智能在藥物發(fā)現(xiàn)領(lǐng)域被用于靶標(biāo)識(shí)別、先導(dǎo)優(yōu)化、ADME-T預(yù)測(cè)和構(gòu)建臨床試驗(yàn)等各個(gè)步驟。盡管取得了巨大的成功，但仍然存在許多挑戰(zhàn)，其中有兩個(gè)最重要的問題：首先，標(biāo)記不能是二元的，因?yàn)樗幬镌谏锵到y(tǒng)中的作用是復(fù)雜的；其次，雖然數(shù)據(jù)庫擁有海量信息，但藥物發(fā)現(xiàn)中可用的高質(zhì)量數(shù)據(jù)并不多。因此，需要一個(gè)不僅能提供數(shù)據(jù)數(shù)量而且能提供質(zhì)量的平臺(tái)。在制藥行業(yè)，開放數(shù)據(jù)共享并不常見，皮斯托亞聯(lián)盟（Pistoia alliance）主動(dòng)發(fā)起了一場(chǎng)運(yùn)動(dòng)，鼓勵(lì)許多公司與他人共享數(shù)據(jù)，在未來他們還打算建立統(tǒng)一的數(shù)據(jù)格式。

2020年12月，In silico medicine公司為他們的小分子抑制劑向FDA提出了IND申請(qǐng)，他們的目標(biāo)是在2022年初進(jìn)行臨床試驗(yàn)。如果試驗(yàn)成功，那么這將是有史以來第一次通過基于人工智能的工具提出并批準(zhǔn)一種新的靶點(diǎn)及其抑制劑。盡管將人工智能工具融入藥物發(fā)現(xiàn)過程中存在一些不可避免的障礙，還有大量的工作要做，但毫無疑問，在不久的將來，人工智能將給藥物發(fā)現(xiàn)和開發(fā)過程帶來革命性的變化。

 

參考文獻(xiàn)

 

[1] Gupta, R., Srivastava, D., Sahu, M. et al. Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Mol Divers （2021）

[2] Han Y, Yang J, Qian X et al (2019) DriverML: a machine learning algorithm for identifying driver genes in cancer sequencing studies. Nucleic Acids Res.

[3] Yan J, Bhadra P, Li A et al (2020) Deep-AmPEP30: improve short antimicrobial peptides prediction with deep learning. Mol Ther-Nucleic Acids 20:882–894.

[4] Zhavoronkov A, Ivanenkov YA, Aliper A et al (2019) Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol 37:1038–1040.

[5] Shen Y, Liu T, Chen J et al (2020) Harnessing artificial intelligence to optimize long-term maintenance dosing for antiretroviral-naive adults with HIV-1 Infection. Adv Ther 3:1900114.

[6] You ZH, Lei YK, Zhu L et al (2013) Prediction of protein-protein interactions from amino acid sequences with ensemble extreme learning machines and principal component analysis. BMC Bioinformatics 14:1–11.

[7] Hooshmand SA, Zarei Ghobadi M, Hooshmand SE et al (2020) A multimodal deep learning-based drug repurposing approach for treatment of COVID-19. Mol Divers.

[8] Gu S, Lai L, hua, (2020) Associating 197 Chinese herbal medicine with drug targets and diseases using the similarity ensemble approach. Acta Pharmacol Sin 41:432–438.

[9] Fogel DB (2018) Factors associated with clinical trials that fail and opportunities for improving the likelihood of success: a review. Contemp Clin Trials Commun 11:156–164.