人工智能到深度学习:药物发现的机器智能方法

药物设计和开发是制药公司和化学科学家的一个重要研究领域。然而，低疗效、脱靶给药、耗时和高成本是影响药物设计和发现的障碍和挑战。此外，来自基因组学、蛋白质组学、微阵列数据和临床试验的复杂大数据也给药物发现带来了障碍。人工智能和机器学习技术在药物发现和开发中发挥着至关重要的作用。换句话说，人工神经网络和深度学习算法使该领域现代化。机器学习和深度学习算法已在多肽合成、基于结构的虚拟筛选、基于配体的虚拟筛选、毒性预测、药物监测和释放、药效载体建模、定量构效关系、药物再定位、多药理学和物理化学活性。过去的证据加强了人工智能和深度学习在该领域的应用。此外，新的数据挖掘、管理和管理技术为最近开发的建模算法提供了关键支持。综上所述，人工智能和深度学习的进步为合理的药物设计和发现过程提供了绝佳的机会，这将最终影响人类。与药物设计和开发有关的主要问题是时间消耗和生产成本。此外，低效率、不准确的靶向给药和不适当的剂量也是阻碍药物给药和开发过程的障碍。随着技术的进步，结合人工智能算法的计算机辅助药物设计可以消除传统药物设计和开发的挑战和障碍。人工智能被称为由机器学习组成的超集，而机器学习包括监督学习、非监督学习和强化学习。此外，作为机器学习的子集，深度学习已广泛应用于药物设计和开发。人工神经网络、深度神经网络、支持向量机、分类和回归、生成式对抗网络、符号学习和元学习是应用于药物设计和发现过程的算法的例子。人工智能已经应用于药物设计开发过程的不同领域，如从多肽合成到分子设计，从虚拟筛选到分子对接，从定量构效关系到药物重新定位，从蛋白质错误折叠到蛋白质-蛋白质相互作用，以及多药理学的分子途径鉴定。人工智能原理已应用于活性和非活性的分类、药物释放监测、临床前和临床开发、一级和二级药物筛选、生物标志物开发、药物制造、生物活性鉴定和理化性质、毒性预测、以及行为模式的识别。