药物表示学习研究进展 |
| |
作者姓名: | 陈鑫 刘喜恩 吴及 |
| |
作者单位: | 清华大学电子工程系,北京10084;清华大学电子工程系,北京10084;清华大学电子工程系,北京10084 |
| |
摘 要: | 药物开发过程存在资本密度高、风险大、周期长的特点,需要投入大量的资金、人力与物力。传统的机器学习方法虽然可以在一定程度上辅助药物开发,但需要分子描述符作为特征输入,而不同的分子描述符的选择对机器学习模型的性能影响较大,因此传统的机器学习方法大多需要进行繁复、耗时的特征工程。近年新兴的深度学习方法,能够从药物的原始结构中直接提取特征,从而绕开特征工程,缩短开发周期。该文将现有的药物表示学习方法划分为2类:基于简化分子线性输入规范(SMILES)表达式的药物表示学习和基于分子图的药物表示学习,报告了这两类药物表示学习方法的最新研究进展,阐述了各种方法的创新点与局限性。最后,指出了当前药物表示学习研究中存在的重大挑战,并讨论了可能的解决方案。
|
关 键 词: | 药物 表示学习 简化分子线性输入规范(SMILES) 分子图 |
本文献已被 CNKI 万方数据 等数据库收录! |
|