10万奖金助力AI加速药物研发！智源联合晶泰科技发布小分子预测大赛

北京智源人工智能研究院、晶泰科技、biendata 联合发布小分子性质预测大赛，奖金 10 万元。

人类与新型冠状病毒所引发的疫情（COVID-19）已战斗多日，针对病症是否有相应的特效药物也成为了公众关心的重点。同时，我们知道，药物研发过程是极为浩大，严谨的科学研究，例如目前正处于临床验证阶段的瑞德西韦，虽然已经经历了多年的研究，但仍需从临床上确定其对新冠病毒是否有疗效。 

著名的医学期刊 JAMA 的一篇调查论文显示，研发一款癌症药物的成本在 6.48 亿美元左右 [1] 。其中，大量成本都会用于待选药物分子的测试实验上。虚拟筛选等计算技术可以缩小筛选对象集，降低制药成本，而机器学习技术的出现极大地辅助了计算机辅助药物设计的进步。

因此，化学信息学或药物研发领域开始使用各种机器学习技术，包括 SVM [3] 、随机森林 [4] 和深度学习 [5][6] ，以及图神经网络 [7] 等。不过，相关技术仍有提升空间，人工智能、化学和生物医学领域也在探索新的技术发现方法。 

2020 年 2 月，北京智源人工智能研究院、专注于 AI 驱动药物研发的科技企业晶泰科技、数据评测平台 biendata，共同发布了“智源小分子化合物性质预测挑战赛”，并同步开放了评测竞赛，总奖金 10 万元。

本次比赛要求选手根据从小分子结构中提取的 3177 维度特征，预测对于药物发现和开发有重要价值的六个化学性质。希望能发挥计算之所长，通过运用公开数据库或者文献数据与成果，助力加速药物发现，为尽早开发出治疗疾病的有效药物贡献一份力量。 

扫描下方海报二维码或点击阅读原文即可参与本次比赛。 

比赛背景

药物研发一直是一项要花费大量时间、人力和财力的工作。其中，大量成本都会用于待选药物分子的测试实验上。虚拟筛选等计算技术可以缩小筛选对象集，降低制药成本，但是需要消耗较多的计算资源。如何利用已有数据建立优质的机器学习模型，逼近真实结果，将为虚拟药物设计找到准确度和成本的平衡点。化学信息学和机器学习在药物研发中的应用已经有一定的历史，在最近以深度学习为前沿的AI潮流下，行业正在探索更广泛的人工智能技术在药物发现中的应用。

比赛任务

根据分子结构信息预测分子可能的化学性质，将在化学研究和制药领域产生重要应用。目前，大部分潜在药物都是小分子，如果能根据结构提前预测小分子的性质，将减少药物的研发成本。 

本次比赛的任务是根据从小分子结构中提取的 3177 维度特征，预测小分子的以下六个化学性质：‘Dipole Moment’,‘HOMO energy’,‘LUMO energy’,‘zero-point vibrational energy’,‘atomization energy at zero kelvin’, ‘atomization energy at room temperature’。这六个性质的准确预测对于药物的发现和开发将提供重要价值。

数据描述

本次数据集来自 GDB-17 标准数据集，这是由 1660 亿个有机分子组成的小分子化学空间，由波恩大学提供 [8]。该化学空间里面的所有分子包含的重原子（即 C、S、O、N 等原子）个数小于 17 个。此后，Raghunathan Ramakrishnan 等人通过理论化学方法测算了其中 133,885 个小分子的性质 [9]。 

为了便于没有化学领域知识的选手参与比赛，本次比赛的联合主办方晶泰科技从小分子结构中提取出 3177 个相关的分子描述符和分子指纹，作为数据的输入特征。

训练集

训练集数据集为 csv 文件，数据包括 80331 个分子的信息。其中第一列为分子 ID，第 2 列至 3178 列为分子的 3177 个分子描述符和分子指纹，作为数据的输入特征。第 3179 列至 3184 列是待预测的分子性质。

验证集

验证集和训练集格式类似，但是没有最后 6 列分子性质，需要选手预测。

测试集

测试集和验证集格式相同。测试集将于比赛结束前发布，选手需要在 48 小时内提交测试集的预测结果。测试集分数将最终决定比赛成绩。

样例提交文件

样例提交包括 1 列分子 ID 和 6 列待预测的分子性质。

参考文献

[1] Prasad, Vinay, and Sham Mailankody. “Research and development spending to bring a single cancer drug to market and revenues after approval.” JAMA internal medicine 177.11 (2017): 1569-1575. 

[2] Lavecchia, Antonio. “Machine-learning approaches in drug discovery: methods and applications.” Drug discovery today 20.3 (2015): 318-331. 

[3] Burbidge, Robert, et al. “Drug design by machine learning: support vector machines for pharmaceutical data analysis.” Computers & chemistry 26.1 (2001): 5-14. 

[4] Ballester PJ, Mitchell JBO. A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking. Bioinformatics 2010, 26:1169–1175. 

[5] Mitchell, John BO. “Machine learning methods in chemoinformatics.” Wiley Interdisciplinary Reviews: Computational Molecular Science 4.5 (2014): 468-481. 

[6] Ekins, Sean. “The next era: deep learning in pharmaceutical research.” Pharmaceutical research 33.11 (2016): 2594-2603. 

[7] Liu, Ke, et al. “Chemi-Net: a molecular graph convolutional network for accurate drug property prediction.” International journal of molecular sciences 20.14 (2019): 3389. 

[8] Ruddigkeit, L., van Deursen, R., Blum, L. C. & Reymond, J.-L. Enumeration of 166 billion organic small molecules in the chemical universe database GDB-17. J. Chem. Inf. Model. 52, 2864–2875 (2012). 

[9] Ramakrishnan, Raghunathan, et al. “Quantum chemistry structures and properties of 134 kilo molecules.” Scientific data 1 (2014): 140022.

北京智源人工智能研究院

北京智源人工智能研究院（Beijing Academy of Artificial Intelligence，BAAI）。智源研究院是落实“北京智源行动计划”的重要举措，在科技部和北京市委市政府的指导和支持下，由北京市科委和海淀区政府推动成立，是依托北京大学、清华大学、中国科学院、百度、小米、字节跳动、美团点评、旷视科技等北京人工智能领域优势单位共建的新型研发机构。在 2018 年 11 月 14 日举行的 2018 中国（北京）跨国技术转移大会开幕式上，智源研究院正式揭牌。 

晶泰科技

晶泰科技（XtalPi）是一家以计算驱动创新的药物研发科技公司，基于前沿计算物理、量子化学、人工智能与云计算技术，为全球创新药企提供智能化药物研发服务。我们希望通过提高药物研发关键环节的效率与成功率、降低研发成本，为患者带来更多优质的药物。晶泰科技创立于麻省理工学院（MIT）校园，核心团队由来自学术界、IT 互联网界及医药产业界的优秀人才组成。晶泰科技已经成功为来自美国、欧洲、中国、日本的 40 余家先锋药企提供了药物研发服务。

Biendata

数据竞赛平台 Biendata 于 2015 年启动，并于 2017 年开始独立运营。到目前为止，biendata 已组织超过 50 场数据竞赛、学术评测和公司内部竞赛，吸引超过十万人次参赛，并为数家公司和大学提供数据咨询及课程支持的服务。Biendata 合作方既包括字节跳动、搜狐、微软、知乎、摩拜等企业，也包括了 IEEE、ACM KDD、WSDM、CVPR、中国计算机学会、中国人工智能学会等国内外顶尖学术组织和会议。

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 报名参赛