藥物開發(fā)過程存在資本密度高、風險大、周期長的特點,需要投入大量的資金、人力與物力。傳統的機器學習方法雖然可以在一定程度上輔助藥物開發(fā),但需要分子描述符作為特征輸入,而不同的分子描述符的選擇對機器學習模型的性能影響較大,因此傳統的機器學習方法大多需要進行繁復、耗時的特征工程。近年新興的深度學習方法,能夠從藥物的"原始"結構中直接提取特征,從而繞開特征工程,縮短開發(fā)周期。該文將現有的藥物表示學習方法劃分為2類:基于簡化分子線性輸入規(guī)范（SMILES）表達式的藥物表示學習和基于分子圖的藥物表示學習,報告了這兩類藥物表示學習方法的最新研究進展,闡述了各種方法的創(chuàng)新點與局限性。最后,指出了當前藥物表示學習研究中存在的重大挑戰(zhàn),并討論了可能的解決方案。 

【文章來源】：清華大學學報(自然科學版). 2020,60(02)北大核心EICSCD

【文章頁數】：10 頁

【文章目錄】：
1 基于SMILES表達式的表示學習
    1.1 藥物類比文本
    1.2 精確重構即合理
2 基于分子圖的表示學習
    2.1 性質預測任務
    2.2 相互作用預測任務
    2.3 藥物設計任務
3 重要挑戰(zhàn)
4 結 論



本文編號：3176624