MolMapNet:开箱即用的深度学习模型,可预测药物特性

MolMapNet:开箱即用的深度学习模型,可预测药物特性
研究人员创新的开箱即用的MolMapNet AI工具可用于对药物特性进行深度学习预测。从一个分子(右上角)开始,将其分子特性(例如该分子下方的分子成分)投影到2D平板(多板结构的顶部平板)上,作为图像,可识别图像的AI(多板结构)读取图像像素以识别药物特性指标,然后预测(多板结构下方两层相互连接的蜜蜂)药物特性(药物和瓶子在左下方)。打开的框(右下角)表示框外的非专家都可以使用AI工具。

在过去的几十年中,计算机科学家已经开发出了广泛的应用程序,包括用于药物分析的深度学习工具。最近,已经对预测药物特性的深度学习模型进行了训练,以分析和学习分子表示形式。

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。 。该工具发表在《自然机器智能》上的论文中,也可以由对计算机科学,生物学或其他科学知识很少或根本不了解的人使用。

“我们知道药物研究需要学习许多分子特性,特别是人类知识所衍生的丰富分子特性(如体积)的集合,但是这些分子特性很难被AI(人工智能)学习,” 进行这项研究的研究人员之一Yu Zong Chen说。

虽然AI工具通常擅长识别空间有序的图像(例如,对象的图像),但它们在诸如分子特性之类的无序数据上的表现却不尽人意。该特征极大地损害了它们在药物分析中的性能。Chen和他的同事希望克服这一限制,以提高用于预测药物特性的深度学习模型的性能。

Chen说:“由于药品数据有限,很难改善AI架构。” “我们问我们是否可以改善AI读取分子特性的方式。我们的解决方案是将无序分子特性映射到有序图像中,以使AI更有效地识别分子特性。”

这种创新的开箱即用的AI工具不需要进行参数微调,这意味着非专业用户也可以使用它。值得注意的是,研究人员发现,它在26种药物基准数据集中的大多数数据上均优于最新的AI工具。

Chen说:“我们的方法遵循三个步骤,以改善对药物特性的深度学习预测。” “第一步是从超过800万个分子中广泛学习分子特性的内在联系。这些联系可能与各种药物特性相关,因此可以作为各种药物特性的指标。”

该方法的第二步需要使用新开发的数据转换技术将药品的分子特性映射到2D图像中,其中像素布局反映了这些特性之间的内在联系。这些像素布局包含药物特性的关键指标,这些指标可以由经过适当培训的深度学习模型捕获。

第三步,研究人员训练了图像识别工具来学习2D图像,并使用它们来预测药物特性。AI工具可以捕获表征特定药物特性的特定像素布局模式,类似于AI技术可以通过查看头发的长度或其他与性别相关的特征来区分图片中的男性和女性。

Chen说:“我们的研究有两个显著成就。” “首先是引入了一种新方法,用于将无序分子特性映射到表示分子特性的内在关系的有序图像中。第二步是开发了一种创新的开箱即用的AI工具,用于深度学习预测具有非凡性能的非专家的药物特性。”

将来,即用型的深度学习模型可能会大大加快药物研究的速度,从而帮助科学家更快,更有效地预测不同药物的特性。Chen和他的同事们在接下来的研究中计划进一步开发他们的模型,以便也可以将其应用于生物医学研究。

本文为作者 新然 独立观点,并不代表 我是CIO 立场。

发表评论

登录后才能评论