综述:药物发觉中的机械进修

编辑 | 萝卜皮不知不觉,人工智能已经渐渐延伸到了各个领域,医药领域也不例外。来自印度 B V Raju 理工学院的研究人员发表综述,讨论了药物发觉中的机械进修,归纳总结了应用于制药领域的各类机械进修手艺,并指出当前该领域发展的难点,以及未来发展方向。该综述以「Machine Learning in Drug Discovery: A Review」为题,于 2021 年 8 月 11 日发布在《Artificial Intelligence Review》杂志。人工智能概念与许多领域密切相关,如模式鉴别、概率论、

编辑 | 萝卜皮

不知不觉,人工智能已经渐渐延伸到了各个领域,医药领域也不例外。

来自印度 B V Raju 理工学院的研究人员发表综述,讨论了药物发觉中的机械进修,归纳总结了应用于制药领域的各类机械进修手艺,并指出当前该领域发展的难点,以及未来发展方向。

该综述以「Machine Learning in Drug Discovery: A Review」为题,于 2021 年 8 月 11 日发布在《Artificial Intelligence Review》杂志。

图片

人工智能概念与许多领域密切相关,如模式鉴别、概率论、统计学、机械进修以及模糊模型、神经网络等众多程序,统称为「计算智能」。对于制药行业而言,机械进修要领的应用将彻底改变传统的药物发觉过程。

图片

图示:应用机械进修进行药物发觉的各个领域。(泉源:论文)

人工智能已应用于药物设计的各种方面,如药物-蛋白质相互作用展望、药物疗效的发觉、确保安全性生物标志物。

药物设计应用

药物设计手艺依赖于鉴于不同 ML 算法开发的数据库。机械进修算法在药物发觉过程中的精确训练、验证和应用,简化复杂的协议,已经取得了不少成果。大多数药物设计过程中都引入了 ML 手艺,以减少时间成本和人工干预。

图片

图示:蛋白质的初级、二级、第三和第四级结构突出与活性位点残留物。(泉源:论文)

蛋白质与蛋白质相互作用的展望

蛋白质-蛋白质相互作用 (PPI) 是主要的生物学现象之一,身体(细胞)的基本单位通过它传输信号、离子、底物和能量产生成分。这些信号、离子、底物和能量产生成分可以改善身体所需的药理反应。另外,PPI 在疾病的发病机制中起着至关重要的作用。

近年来,鉴于 PPI 的药物发觉计划在实验上产生了一种有希望的药理物质。然而,PPI 实验展望的时间和成本被认为是限速障碍。在这方面,不同的数据库托管了以 PPI 为框架的 Web 服务器,以加速药物化学研究。

图片

图示:应用 AI 模型说明药物发觉设计手艺和主题。(泉源:论文)

Hit发觉

药物再利用的特点是「为目前处于存在阶段的药物」寻找新的适应症,它减少了药物发觉的时间和危险情况。DeepDTnet 算法被认为比 NetLapRLS 和 KBMF2K 要领以及朴素贝叶斯、SVM、KNN 和随机森林算法更具优势。

虚拟挑选是在药物发觉过程中应用的一种 AI 策略,用于定位小份子以区分药物靶标的结合结构。

份子对接手艺的高吞吐量虚拟挑选和评分

方向鉴别之后,通常应用虚拟挑选 (HTVS) 和份子对接手艺, 以了解蛋白质/受体的活性位点。另一种基本要领,是鉴于配体的虚拟挑选(LBVS),该要领依赖于化学数据库的物理化学特性。

图片

图示:份子对接取样和评分 fowchart 的基本概述。(泉源:论文)

命中领先

QSAR 分析用于开始优化过程,通过展望生物活性类似物从命中类似物中寻找潜在的开始化合物。主要用于数学概念,研究物理化学或结构对象和生物活动的定量映射。

图片

图示:从与 ML 算法相关联的 Hit-to-lead 优化协议中获得的 Abl 激酶抑制剂。(泉源:论文)

De novo 药物架构通过调整或平衡方向利益来推进独特的化学结构。应用 De novo 模型从头开始引入新份子。深度进修模型可以利用强大的知识和生成能力,引入具有适当属性的新结构。

图片

图示:抗病毒化合物的 Smiles/SLN 符号。(泉源:论文)

开始优化

开始优化的主要目的是通过最小的结构修改来消除现有活性类似物的副作用影响。机械进修可用于研究开始优化,如化学和物理特性、吸收、分布、代谢和排泄、毒性以及 ADME/T 。

用于药物发觉电子资源中的 ML

图片

图示:药物发觉平台电子资源中的机械进修。(泉源: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 库和挑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展望中的 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。药物代谢的展望可以通过动物模型(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。利用机械进修模型可以解决这一问题,已经可以用于展望新陈代谢的工具有 ADMET展望器、FAME3、GLORY/GLORYx 等。皮肤敏感参数展望中的 ML  皮肤敏感性的展望是评估新药/化合物安全性参数的基本标准之一。在这方面,鉴于随机森林的 MACCS(RF_MACCS)和鉴于支持向量机(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,被用作基本展望模型 NP Scout 在线服务器,将揭示新发觉的药物类似物的可能身份。NP Scout 在查询份子泉源展望中的应用,可以提供有关其天然产物泉源的信息,并可能成为鉴于天然产物的药物发觉过程的重要组成。

药物发觉问题

方向验证

由于数据驱动的方向鉴别实验的数量倍增,因此将 ML 要领用于方向鉴别是绝佳选择。在方向鉴别方面,确认疾病和方向之间的因果关系是第一步。通过应用 ML 要领,可以对方向的已知属性、因果关系、驱动方向进行展望。ML 手艺可以从不同角度应用于方向鉴别领域。

展望生物标志物

应用 ML 要领,通过区分药物以及了解合理患者的药物机制,从而发觉生物标志物,进而提高临床试验性能。在临床试验的最后阶段,往往要消耗大量的时间和成本。为了战胜这一问题,有必要在临床试验的早期阶段应用、构建和验证展望模型。应用 ML 算法可展望临床前数据分类中的转化生物标志物。

数字病理学

数字病理学基础理论的快速改进,可以更合理、更精确、高通量的发觉新的生物标志物,从而缩短药物开发时间,患者也可以更快获得治疗。在应用深度进修模型之前,许多与图像分析相关的算法促使计算机学者与病理学家合作。为了对组织层进行分类,许多计算机科学家需要在计算机中手工制作图形特征。多尺度 CNN 模型则非常适用于数字病理学工作。

挑拨

药物发觉中存在许多挑拨,大多数挑拨可以通过应用机械进修手艺来解决。

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觉的另一个挑拨。在不同分类模型中的决策规则是不清楚的。在药物开发中,机械进修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拨。在制药公司,研究从巨大的份子延伸到个体,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,这本书就是一项挑拨。

结论和未来方向

结论

人工智能手艺正广泛应用于医药行业。在医学科学中,人工智能手艺使计算机辅助药物开发领域向前迈进了一步。尽管如此,一些问题仍然存在,即

深度进修要领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进修的自动问题。「黑盒」模型在深度进修概念中变得混乱。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,必须通过深度进修模型来解释受限数据。然而,通过深度进修手艺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。

未来方向

网络创新与医学科学相结合,以提高决策和深度进修算法的展望能力,包括生物标志物、疗法的副作用、治疗效果。人工智能需要协调化学信息、组学数据和医学数据等理论结果,从而实现创新。未来,期待 AI 手艺覆盖医药科学的方方面面。

论文链接:https://link.springer.com/article/10.1007%2Fs10462-021-10058-4

原创文章,作者:ScienceAI,如若转载,请注明出处:https://www.iaiol.com/news/zong-shu-yao-wu-fa-jue-zhong-de-ji-xie-jin-xiu/

(0)
上一篇 2021年 8月 31日 下午2:46
下一篇 2021年 9月 2日 上午11:37

相关推荐

  • 智加科技完成总计4.2亿美元新一轮融资

    2021年3月31日,重卡主动驾驭公司智加科技(Plus)继上月宣布2亿美元融资之后,完成新一轮2.2亿美元融资,方源本钱(FountainVest Partners)和锴明投资(ClearVue Partners) 领投,上汽本钱、红杉中国、满帮集团、广达电脑(Quanta Computer Inc.)、卓易本钱(Phi Zoyi Capital)、千禧本钱(Millennium Technology Value Partners)跟投。智加本轮融资总额达到4.2亿美元,其他投资人包含国泰君安国际,CPE等。据了

    2021年 3月 31日
  • 得州、佛州也对「一生传授」轨制下手了,每年评绩效,有大学准备捡漏

    终结一生教职轨制,佐治亚州起了个头,后来者不止一个。

    2022年 4月 23日
  • 时空智能新赛道是怎样炼成的?千寻地位引领自立技巧创新突破

    2020年10月,华为推出Mate 40系列旗舰手机,在全球范围内首次完成车道级导航功能,及时显示用户所在车道地位。2020年11月,小鹏汽车智能轿跑P7,通过OTA升级,在深圳、重庆、杭州等高速公路上,可完成NGP高速自立导航驾驶。2020年初,武汉火神山医院在建设中,一次性完成放线测量,精确标绘,与病魔赛跑,向世界展示“十几天建一所医院”的壮举。这一年,人们离自动驾驶更近了,手机导航有了不同的体验,战疫的身影中有了科技力量。在这背后,是时空智能这项中国自立研发的技巧在消费级场景全方位渗透。作为千寻地位开创的硬核

    2021年 5月 27日
  • 墨芯携手海潮|稠密化生态释放积极变革力量

    近日,墨芯人工智能与海潮信息签订元脑计谋合营协议。这是在海潮计谋投资墨芯之后,双方进一步计谋合营。 墨芯将携手海潮信息,以超过的稠密化估计技巧和产品,广阔的生态潜能,融合资源与算法,共创全栈AI解决方案,为各行各业AI利用供给强大算力引擎和生态支撑,为企业降本增效,并加速产业的人工智能化进程。AI估计的新锐势力—稠密化估计墨芯人工智能是稠密化估计的全球引领者,供给云端和终端AI加速方案,可广泛利用于互联网、运营商、生物医药等数据中心AI推理场景,并积极致力于稠密化生态建设。 在AI时代算力需求

    2022年 10月 9日
  • 增大模型依然有用,DeepMind用2800亿参数的Gopher,测试谈话系统极限

    DeepMind 连发三篇论文,全面阐述大规模谈话模型依然在进展之中,能力也在继续增强。近年来,国内外各大 AI 巨头的大规模谈话模型(large language model,LLM)一波接着一波,如 OpenAI 的 GPT-3、智源研讨院的悟道 2.0 等。大模型已然成为社区势不可挡的发展趋势。然而,当前谈话模型存在着一些问题,比如逻辑推理较弱。那么,我们是否可以仅通过添加更多数据和算力的情况下革新这些问题呢?或者,我们已经达到了谈话模型相关技术范式的极限?今日,DeepMind「一口气」发表了三篇论文,目的

    2021年 12月 9日
  • Nature盘点:从Fortran、arXiv到AlexNet,这些代码改变了迷信界

    从 Fortran 编译器到 arXiv 预印本库、AlexNet,这些算计机代码和平台改变了迷信界。2019 年,「事件视界望远镜」团队拍下了第一张黑洞照片。这张照片并非传统意义上的照片,而是算计得来的——将美国、墨西哥、智利、西班牙和南极多台射电望远镜捕捉到的数据进行数学转换。该团队公开了所用代码,使迷信社区可以看到,并基于此做进一步的探索。而这逐渐成为一种普遍模式。从天文学到动物学,每一个伟大的现代迷信发现背后都有算计机的身影。斯坦福大学算计生物学家、2013 年诺贝尔化学奖获得主 M

    2021年 1月 21日
  • 微软工程师用PyTorch实现图注意力网络,可视化效果惊艳

    近日,一个关于图注意力网络可视化的项目吸引了大批研究人员的兴趣,上线仅仅一天,收获 200+ 星。该项目是关于用 PyTorch 实现的图注意力网络(GAT),包括易于理解的可视化。

    2021年 2月 2日
  • 教授何恺明在MIT的第一堂课

    700 座的大教室,相比去年增加一倍容量,仍然座无虚席:这就是麻省理工学院(MIT)计算机视觉课《Advances in Computer Vision》6.8300 在 2024 新学期的盛况。今年是四位教授,每人负责一部分课程:课程信息:https://advances-in-vision.github.io/index.html有网友评论说,能选上这课的学生太幸运了,每节都是计算机视觉顶会 CVPR Oral 的体验。对于很多人来说,其中最为期待的自然是新晋教授何恺明的课。MIT 电气工程与计算机科学系副教授

    2024年 3月 11日
  • 读博五年,我总结出了7条帮你「少走弯路」的真理

    这些经验教训不一定有关学术,但长远来看,将有益于你所接触的任何歇息。

    2021年 12月 31日

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注