【栏目:前沿进展】近年来,人工智能赋能药物研发已经势如井喷,与此同时,药物研发平台的开发和应用逐渐成为学术界和产业界的关注重点。
为了缩短药物研发周期和难度,充分发挥老药新用的作用,降低科研人员开展药物研发的门槛,此前,Mila唐建(青源会会员)团队开源了基于机器学习的药物研发平台TorchDrug(torchdrug.ai),意在创建开放包容的新药研发开源社区,即使是没有过多交叉领域背景的研究者也可以快速上手。
从微软到加入Mila团队担任助理教授,唐建博士一直在从事图表示学习的研究。出于对生物的热情,唐建发现分子、蛋白质、医疗知识图谱等都是图结构数据,进而慢慢意识到图表示学习在生物医药领域的巨大潜力。
刚到Mila时,Yoshua Bengio教授在分子建模的研究上给予了唐建很多建议。自从去年COVID爆发以来,Bengio教授对AI药物研究也萌生了很大的兴趣。二人的交流也从早期的推理相关内容慢慢转到药物发现上。
21世纪是生物的世纪。从分子、蛋白质到医疗知识图谱,透过海量的图结构数据,AI模型和数据集在不断改写着生物制药的格局。唐建博士在近期智源社区的采访中向我们讲述了他从机器学习领域一路走到生物制药的历程、TorchDrug平台的建设问题、AI赋能制药,以及对商业落地的思考,以下是采访全文。
唐建,加拿大蒙特利尔学习算法研究院 (Mila) 以及蒙特利尔大学计算机学院、商学院助理教授、博士生导师, CIFAR讲席教授。主要研究方向为:图表示学习、图神经网络、知识图谱、药物发现。曾获得机器学习顶级会议ICML2014的最佳论文以及数据挖掘顶级会议WWW‘16的最佳论文提名。发表了一系列在图表示学习领域的经典论文包括LINE、RotatE等。他是机器学习顶级会议ICML以及NeurIPS领域主席。
受访对象:唐建(加拿大Mila实验室助理教授、青源会会员)
采访&整理:李梦佳 马瑞军
01
走上新药研发之路,与Bengio的不解之缘
Q:首先请您谈一谈和Bengio教授的合作经历。
A:Mila的核心教师团队(目前共29位https://mila.quebec/en/mila/team/?cat_id=1200)每个月都会有例行的管理例会。在这个例会上我们会跟Bengio教授和Mila的其他教授进行Mila整体管理上的交流。在研究上,早期与他讨论比较多的是推理相关的内容,特别是system 2 reasoning。最近的一个关于知识图谱推理的合作成果RNNLogic发表在ICLR'21 上。近期我们在Drug Discovery方面也有很多的交流。自从去年COVID以来,Bengio教授对AI药物研究也很感兴趣,其团队有很大的一部分精力在drug discovery。
Q:在Mila,Bengio教授给予的最大启发是什么?
A:刚到Mila时,Bengio在分子建模的研究上给予了很多