深度学习药物发现综述

6 月 2 日 专知


最近,以人工智能(ai)为基础的新药开发大幅缩短了新药开发的时间和成本,因此备受关注。随着深度学习(DL)技术的进步和药物相关数据的增长,许多基于深度学习的方法正在药物开发过程的所有步骤中出现。尤其值得一提的是,药物化学家面临着选择和设计潜在药物以进行临床前试验的重大问题。两个主要的挑战是预测药物和可药物靶点之间的相互作用,以及生成适合感兴趣靶点的新分子结构。因此,我们回顾了近年来深度学习在药物-靶点相互作用(DTI)预测和药物从头设计方面的应用。此外,我们还介绍了各种药物和蛋白质表示、DL模型以及用于模型训练和测试的常用基准数据集或工具的全面总结。最后,我们提出了未来基于dl的DTI预测和从头设计药物的剩余挑战。



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“D3DL” 就可以获取深度学习药物发现综述》专知下载链接》专知下载链接

专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取100000+AI(AI与军事、医药、公安等)主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取100000+AI主题知识资料
登录查看更多
1

相关内容

深度学习在分子生成和分子性质预测中的应用
专知会员服务
15+阅读 · 6月19日
人工智能到深度学习:药物发现的机器智能方法
专知会员服务
24+阅读 · 5月6日
专知会员服务
61+阅读 · 2021年10月11日
最新「图机器学习药物发现」综述论文,22页pdf245篇文献
图表示学习在药物发现中的应用,48页ppt
专知会员服务
64+阅读 · 2021年4月30日
【文本分类大综述:从浅层到深度学习,35页pdf】
专知会员服务
154+阅读 · 2020年8月6日
深度学习目标检测方法综述
专知会员服务
182+阅读 · 2020年8月1日
深度学习人脸特征点自动定位综述
专知
0+阅读 · 2021年12月1日
深度学习中的单阶段小目标检测方法综述
专知
0+阅读 · 2021年11月23日
深度学习驱动的知识追踪研究进展综述
专知
0+阅读 · 2021年11月15日
FPGA加速深度学习综述
专知
1+阅读 · 2021年11月13日
基于深度学习的数据融合方法研究综述
专知
12+阅读 · 2020年12月10日
多模态视觉语言表征学习研究综述
专知
17+阅读 · 2020年12月3日
【综述】医疗可解释人工智能综述论文
专知
22+阅读 · 2019年7月18日
国家自然科学基金
4+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
6+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
12+阅读 · 2021年6月29日
An Attentive Survey of Attention Models
Arxiv
43+阅读 · 2020年12月15日
Arxiv
13+阅读 · 2020年10月26日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
25+阅读 · 2018年1月24日
VIP会员
相关VIP内容
深度学习在分子生成和分子性质预测中的应用
专知会员服务
15+阅读 · 6月19日
人工智能到深度学习:药物发现的机器智能方法
专知会员服务
24+阅读 · 5月6日
专知会员服务
61+阅读 · 2021年10月11日
最新「图机器学习药物发现」综述论文,22页pdf245篇文献
图表示学习在药物发现中的应用,48页ppt
专知会员服务
64+阅读 · 2021年4月30日
【文本分类大综述:从浅层到深度学习,35页pdf】
专知会员服务
154+阅读 · 2020年8月6日
深度学习目标检测方法综述
专知会员服务
182+阅读 · 2020年8月1日
相关资讯
深度学习人脸特征点自动定位综述
专知
0+阅读 · 2021年12月1日
深度学习中的单阶段小目标检测方法综述
专知
0+阅读 · 2021年11月23日
深度学习驱动的知识追踪研究进展综述
专知
0+阅读 · 2021年11月15日
FPGA加速深度学习综述
专知
1+阅读 · 2021年11月13日
基于深度学习的数据融合方法研究综述
专知
12+阅读 · 2020年12月10日
多模态视觉语言表征学习研究综述
专知
17+阅读 · 2020年12月3日
【综述】医疗可解释人工智能综述论文
专知
22+阅读 · 2019年7月18日
相关基金
国家自然科学基金
4+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
6+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
大家都在搜
  1. rppg
  2. NDBC
  3. 加拿大国防研究
  4. 联邦学习
  5. 美国空军大学
  6. PINN
  7. SSPD
  8. deepMind
  9. 保险
  10. OntoNotes 5.0 / CoNNLL 2012 (https://catalog.ldc.upenn.edu/ldc2013t19) OntoNotes 5.0由 1745k 英语、900k 中文和300k 阿拉伯语文本数据组成,OntoNotes 5.0的数据来源也多种多样, 有电话对话、新闻通讯社、广播新闻、广播对话和博客。实体被标注为【PERSON】、【ORGANIZATION】和【LOCATION】等18个类别, 详情见https://catalog.ldc.upenn.edu/docs/LDC2013T19/OntoNotes-Release-5.0.pdf。 你只需要在这个网站注册一下https://catalog.ldc.upenn.edu/signup 还有很多其他公开数据集,包括NLPBA2014, Enron Emails 等等, 这里就不做详细介绍了, 大家可以 google 一下。 标注方法 NER 标注方法有很多种, 这里主要介绍3种最常见。 IOB 标注法 IOB 标注法, 是 CoNLL 2003 采用的标注法, I 表示 inside, O 表示 Outside, B 表示 Begin。而标注的 label是 I-XXX 的, 表示这个字符, 在 XXX类命名实体的内部(inside)。B用于标记一个命名实体的开始。 比如: Tom B-PER hanks I-PER is O my O name O BIOES 这是在 IOB方法上,扩展出的一个更复杂,但更完备的标注方法。其中 B表示这个词处于一个实体的开始(Begin), I 表示内部(inside), O 表示外部(outside), E 表示这个词处于一个实体的结束为止, S 表示,这个词是自己就可以组成一个实体(Single) BIOES 是目前最通用的命名实体标注方法。 Markup Makeup 是 OntoNotes 使用的标注方法, 思路比较简单, XML, 比如: <ENAMEX TYPE=”ORG”>Disney</ENAMEX> is a global
Top
微信扫码咨询专知VIP会员