卢森堡大学 信用:CC0公共领域 新药、抗病毒药物、抗生素以及具有定制特性的一般化学品的发现和配制是一个漫长而艰难的过程
生物化学、物理和计算机科学交叉路口的跨学科研究可以改变这种情况
机器学习方法的发展，结合量子力学和统计力学的基本原理，并在越来越多的可用分子大数据集上进行训练，有可能彻底改变化学发现的过程
该大学理论化学物理教授亚历山大·特卡琴科说:“化学发现和机器学习必然会一起发展，但要实现它们之间的真正协同作用，需要解决许多突出的挑战。”
机器学习有助于识别候选药物 2020年春天，该大学与比利时让桑制药公司合作，开发了新的分子生物学方法来鉴定具有很强治疗潜力的化合物(也称为候选药物)
到目前为止，已经为小分子开发了最大似然方法
该研究项目旨在将基于量子力学的机器学习方法的体系结构和可移植性扩展到具有药物重要性的大分子
“制药公司的核心业务是生产对相关生物目标具有活性的新型化学品
机器学习方法有可能加快药物发现过程并降低失败率
一家领先的制药公司与我们接洽，共同确定候选药物，这是一个可喜的迹象，表明我们的专业知识得到了业界的认可
莱昂纳多·梅德拉诺·桑多纳斯，博士后研究员
Tkatchenko的小组
欧洲委员会资助的创新培训网络的合作伙伴 与三家大型欧洲制药公司(拜耳、阿斯利康、让桑)、化学公司烯胺和十家在计算药物设计方面有专长的学术合作伙伴一起，教授
2021-2023年期间，特卡钦科获得了玛丽·斯克洛多斯卡-居里行动——创新培训网络赠款，用于创新药物发现高级机器学习项目(AIDD)
该项目旨在开发创新的分子生物学方法，以构建一个综合的“单一化学”模型，该模型可以预测从分子生成到合成的结果，并了解如何将化学和生物学结合起来开发新药
在这里，科学专业知识与工业合作伙伴的药物和合成化学专业知识相结合，并受益于大量有价值的数据集
第一次，所有的方法开发都将是开源的
该培训网络将培养一代在机器学习和化学方面都有技能的科学家来推进药物化学
“使用机器学习做出准确的预测，关键取决于能否获得大量高质量的数据和领域专业知识来分析它们，”教授解释道
Tkatchenko
“整合我们的力量是由机器学习推动的化学发现革命的第一步
" 用于化学发现的机器学习领域正在出现，并且在不久的将来有望取得实质性进展
教授
Tkatchenko最近在《自然通讯》杂志上发表了一篇文章，其中他讨论了该领域最近的突破，并强调了未来几年的挑战
这篇文章可以在网上找到
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
