研究人员创新的现成MolMapNet AI工具，用于深入学习预测药物性质。从一个分子(右上)开始，将其分子性质(如分子下面的分子成分)投影到2D平板(多平板结构的顶板)上作为图像，图像识别AI(多平板结构)读取图像像素用于识别药物性质的指标，然后预测(多平板结构下面的两层相互连接的beeds)药物性质(左下的药物和瓶子)。打开的方框(右下角)表示非专家开箱即可使用AI工具。功劳:沈等。在过去的几十年里，计算机科学家已经开发了深度学习工具，用于广泛的应用，包括药物分析。最近，预测药物性质的深度学习模型已经被训练来分析和学习分子表征。清华大学、新加坡国立大学、复旦大学药学院和浙江大学的研究人员最近开发了MolMapNet，这是一种新的人工智能(AI)工具，可以通过分析基于人类知识的分子表示来预测药物的药物特性。这一工具发表在《自然机器智能》上的一篇论文中，对计算机科学、生物学或其他科学知之甚少或一无所知的人也可以使用。
“我们意识到，药物研究需要学习许多分子特征，尤其是从人类知识中获得的丰富的分子特性集合(如体积)，但这些分子特性很难通过人工智能来学习，”进行这项研究的研究人员之一陈告诉TechXplore。
虽然人工智能工具通常擅长识别空间有序的图像(例如，对象的图像)，但它们在无序的数据(如分子属性)上表现不佳。这一特性严重损害了它们在药物分析上的性能。陈和他的同事们希望克服这个限制，以提高预测药物特性的深度学习模型的性能。
“由于有限的制药数据，很难改进人工智能架构，”陈说。“我们询问是否可以改进AI读取分子属性的方式。我们的解决方案是将无序的分子属性映射到有序的图像中，以便人工智能更有效地识别分子属性。”
这种创新的现成AI工具不需要参数微调，这意味着非专家用户也可以使用。值得注意的是，研究人员发现，在26个制药基准数据集的大部分数据集上，它都优于最先进的人工智能工具。
“我们的方法遵循三个步骤来改进对药物性质的深度学习预测，”陈说。“第一步是从800多万个分子中广泛了解分子特性的内在关系。这些关系可能与各种药物特性的指标相关联。”
该方法的第二步需要使用新开发的数据转换技术，将药物的分子特性映射到2D图像中，其中像素布局反映了这些特性之间的内在关系。这些像素布局包含药物特性的关键指标，可以通过充分训练的深度学习模型来获取。
第三步，研究人员训练了一种图像识别工具来学习2D图像，并利用它们来预测药物特性。人工智能工具可以捕捉表征特定药物特性的特定像素布局模式，类似于人工智能技术如何通过观察头发长度或其他与性别相关的特征来辨别图片中的男性和女性。
“我们的研究有两个显著的成果，”陈说。首先是引入了一种新的方法，将无序的分子特性映射成有序的图像，呈现出分子特性的内在联系。第二个是开发了一个创新的现成人工智能工具，由具有最先进性能的非专家对药物特性进行深度学习预测。”
未来，开箱即用的深度学习模型可以显著加快药物研究，帮助科学家更快、更有效地预测不同药物的特性。在接下来的研究中，陈和他的同事计划进一步发展他们的模型，这样它也可以应用于生物医学研究。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
