Nature | 机器学习在药物研发中的应用

摘要

药物研发管线漫长、复杂且取决于许多因素。机器学习（ML）通过丰富且高质量的数据改进指定问题的发现和决策。机器学习在药物发现的所有阶段都有应用：靶标验证、生物标志物的鉴定和临床试验中数字病理学数据的分析。应用程序的范围和方法不同，有些方法可以产生准确的预测和解释。应用机器学习的主要挑战在于ML产生的结果缺乏可解释性和可重复性，可能限制其应用。在所有领域，仍然需要生成系统和全面的高维数据。

 

介绍

生物系统是发育和疾病期间复杂的信息来源。 现在使用大量的“组学”和智能技术系统地测量和挖掘这些信息。针对生物学和疾病的高通量方法的出现为制药业带来了挑战和机遇，其目的是确定可用于开发药物的治疗假设。许多因素的最新进展导致对制药工业中机器学习方法的使用兴趣增加；再加上无限可扩展的存储ML提供基础的数据集类型，增加了制药公司能够访问和组织更多数据的机会。数据类型可以包括图像、文本信息、生物特征、来自可穿戴设备的其他信息和高维组学数据。

 

人工智能（AI）领域已经从大量的理论研究转向现实世界的应用。这种爆炸性增长的大部分与图形处理单元（GPU）等新计算机硬件的广泛可用性有关。新的ML算法的从数据构建强大的模型以及这些技术在众多公共竞赛中的成功，有助于增加ML在制药公司中的应用。尽管许多消费者服务行业早已采用ML领域的新方法，但制药行业的采用率一直滞后。 众所周知，药物开发的成功率在所有治疗领域和整个制药行业都非常低。最近对21143种化合物的研究发现，总体成功率低至6.2％。 因此，制药行业中使用ML技术的许多理由是由业务需求驱动以降低总体损耗和成本。

 

药物研