4、可解释人工智能在药物发现中的应用

可解释人工智能在药物发现中的应用

1. 引言

药物发现是一个复杂的过程，涵盖疾病识别、病因确定、先导分子创建与优化、药物测试，最终将药物投放目标群体，并由权威机构进行上市后效果研究。传统药物研发流程耗时15 - 20年，在病毒快速变异的当下，加速这一过程且不降低效率至关重要。近年来，人工智能（AI）在药物发现领域的应用显著缩短了研发周期。

机器学习（ML）和深度学习（DL）领域有许多高性能、高精度的AI模型，它们在药物发现中取得了重要进展，但往往难以解释其结果和实现方式。传统的湿实验室或计算机模拟方法有人为干预，结果相对可靠，因此科学界正在致力于开发高准确性和可靠性的可解释AI（XAI）模型。XAI能够根据终端用户的问题解释AI模型的决策，其解释可分为“局部”和“全局”解释，是“第三波AI系统”的重要组成部分。交互式机器学习模型（iMLs）是XAI的一种变体，它能向用户传达操作过程并根据需要进行修正。

2. 药物发现阶段

药物发现过程可分为药物发现、测试和审批两个阶段。计算机辅助药物发现（CADD）方法，如基于蛋白质或配体结构的方法以及分子对接研究，为筛选有潜力成为新药的先导化合物提供了途径。

3. 药物靶点识别

药物靶点是与特定化合物相互作用并受其调节活性的生物实体，包括受体、离子通道、酶和载体分子。DL和ML方法可利用化合物的生物、化学和拓扑性质信息，从大规模库中筛选出潜在的治疗靶点。

确定靶点与疾病之间的因果关系是靶点识别的起点。基因表达是识别疾病相关基因的常用方法，借助微阵列和核糖核酸测序（RNA - Seq）技术，可获取大量序列数据，这些数据存储在公共数据库中，如美国国立生物技术信息