药物设计的深度学习(Deep Learning for Drug Design)

最新推荐文章于 2025-06-24 09:11:54 发布

DrugOne

最新推荐文章于 2025-06-24 09:11:54 发布

阅读量1.6w

点赞数 7

CC 4.0 BY-SA版权

分类专栏： RDKit | 化学信息学与AI DL | 深度学习 ML | 机器学习文章标签：化学信息学深度学习机器学习

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.youkuaiyun.com/u012325865/article/details/80466448

RDKit | 化学信息学与AI 同时被 3 个专栏收录

154 篇文章 ¥99.00 ¥99.00

订阅专栏

超级会员免费看

DL | 深度学习

35 篇文章

订阅专栏

ML | 机器学习

35 篇文章

订阅专栏

深度学习（DL）在药物设计中的应用日益广泛，从传统的机器学习（ML）算法中脱颖而出。DL方法在小分子药物发现中表现出色，自动从原始数据中提取特征，构建预测模型。卷积神经网络（CNN）、递归神经网络（RNN）和深度自动编码器网络（DAENs）等主流架构在药物设计中发挥关键作用。尽管DL面临数据需求、复杂性和解释性挑战，但其在药物活性预测、药物-靶标相互作用和毒性评估等方面展现出巨大潜力。未来，DL将继续推动药物发现的创新和进步。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

翻译《Deep Learning for Drug Design: an Artificial Intelligence Paradigm for Drug
Discovery in the Big Data Era》

摘要

过去的十年中，深度学习（deeplearning, DL）方法已经非常成功并广泛用于开发几乎每个领域的人工智能（AI）。与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。本综述主要讨论了监督学习和非监督学习等几种最强大和主流的体系结构，包括卷积神经网络（CNN）、递归神经网络（RNN）和深度自动编码器网络（DAENs），总结了小分子药物设计中的大部分代表性应用；并简要介绍了如何在这些应用程序中使用DL方法。还强调了关于DL方法利弊的讨论以及我们需要解决的主要挑战。