机器学习和人工智能方法在CADD中的应用

综述

众所周知，由于疾病的生物学复杂性，药物研发是一个风险高、周期长的过程。为了快速高效地设计和开发新药，将计算机模拟技术引进研发的各个阶段，形成了目前药物研发领域不可或缺的手段-计算机辅助药物设计（CADD）。近年来，使用大数据和人工智能算法的计算和分析技术的出现，使得传统药物发现领域因生物医学数据的规模和复杂性而受到的限制可以通过计算公式化和解决。

大数据和人工智能方法涵盖预处理数据、人工智能算法和统计方法的应用，有助于建立自动化模型来分析蛋白质三维结构、药物-受体相互作用、ADMET特性预测等。今天小编带大家了解一下目前基于大数据和人工智能算法的一些常用药物研发程序。

基于人工智能的数据预处理和建模

 如图所示，在数据预处理方面机器学习主要是通过神经网络和随机森林算法帮助我们实现缺失数据插补、异常值检测和冗余特征消除等工作。

 

在完成前期的数据整理工作以后，机器学习可以使用包括无监督学习（聚类和降维）和监督学习（回归和分类）在内的预测和创建建模。

表2无监督学习应用列表

表3监督学习应用列表

 

大数据和人工智能驱动技术在CADD中的最新应用

 

 左侧显示了训练数据集的来源和管理过程。每个应用程序的训练过程的数据类型和相关信息在水平箭头中描述。右侧表示使用训练数据构建的不同神经网络模型。应用程序i使用蛋白质集合作为输入，并提供包含结合位点的可成药构象作为输出。应用ii以可成药构象和候选药物之间的对接复合物作为输入，产生命中化合物作为输出。应用iii将命中化合物作为输入，最终获得先导化合物。

表4 机器学习在CADD常用算法和程序

 利用大数据和人工智能方法，CADD可以更好地了解健康和疾病，大大提升目前药物研发的进度，尽管目前取得一些成功，但在方法准确性和多样性方面仍有很大的改进空间。此外，来自复杂生化实体的结构和动态元素的高维数据的增加，将推动药物设计领域基于统计学理论和方法的大数据和人工智能工具的创新。未来将有更多不同数据预处理和从生物医学大数据结构中学习核心模式的人工智能方法相结合，以显着改善药物设计、发现和开发的预测。

 本文来源于 公众号AI智药，欢迎转载