，借助深度學(xué)習(xí)來分析非疾病和疾病狀態(tài)之間的差異，也可用來發(fā)現(xiàn)對(duì)疾病有影響的蛋白質(zhì)。

//基于表型的藥物發(fā)現(xiàn)

在過去的三十多年里

，基于靶點(diǎn)的藥物發(fā)現(xiàn)都是藥物發(fā)現(xiàn)的主要方法。近年來，基于表型的藥物發(fā)現(xiàn)（直接使用生物系統(tǒng)進(jìn)行新藥篩選）受到關(guān)注。機(jī)器學(xué)習(xí)可以在表型篩選中將細(xì)胞表型與化合物作用方式聯(lián)系起來，獲得靶點(diǎn)、信號(hào)通路或遺傳疾病關(guān)聯(lián)的聚類。而AI強(qiáng)大的圖像處理能力，能夠?qū)⑸锵到y(tǒng)的所有形態(tài)特征整合，系統(tǒng)研究藥物潛在的作用方式和信號(hào)通路，擴(kuò)展對(duì)于疾病的生物學(xué)認(rèn)識(shí)。

//分子生成

機(jī)器學(xué)習(xí)方法可以產(chǎn)生新的小分子

。AI可以通過對(duì)海量的化合物或者藥物分子的學(xué)習(xí)，獲得化合物分子結(jié)構(gòu)和成藥性方面的規(guī)律，進(jìn)而根據(jù)這些規(guī)律生成很多自然界從未存在過的化合物作為候選藥物分子，有效構(gòu)建擁有一定規(guī)模且高質(zhì)量的分子庫。

//化學(xué)反應(yīng)設(shè)計(jì)

AI目前正在取得進(jìn)展的化學(xué)領(lǐng)域之一是對(duì)化學(xué)反應(yīng)和合成路線進(jìn)行建模和預(yù)測。AI可以將分子結(jié)構(gòu)映射為可以由機(jī)器學(xué)習(xí)算法處理的形式

，根據(jù)已知化合物的結(jié)構(gòu)，形成多條合成路線，并推薦最佳合成路線。反過來，在給定反應(yīng)物的情況下，深度學(xué)習(xí)、遷移學(xué)習(xí)可以預(yù)測化學(xué)反應(yīng)結(jié)果。AI還可用來 探索 新的化學(xué)反應(yīng)。

//化合物篩選

AI能夠?qū)衔锏幕瘜W(xué)結(jié)構(gòu)與生物活性之間的關(guān)系進(jìn)行建模，預(yù)測化合物的作用機(jī)制

。一個(gè)典型的例子是MIT的研究人員基于深度學(xué)習(xí)發(fā)現(xiàn)了新的抗生素。研究人員訓(xùn)練了一個(gè)能夠預(yù)測具有抗菌活性的分子的深層神經(jīng)網(wǎng)絡(luò)，在幾天內(nèi)篩選超過 1 億個(gè)化合物，根據(jù)模型的預(yù)測分?jǐn)?shù)對(duì)化合物進(jìn)行排名，最終確定了8種與已知抗生素在結(jié)構(gòu)上差別較大的抗生素。

//ADMET性質(zhì)預(yù)測

藥代動(dòng)力學(xué)性質(zhì)不夠理想

，是臨床研究階段藥物研發(fā)失敗的主要原因之一。深度學(xué)習(xí)可以自動(dòng)識(shí)別化合物的相關(guān)特征，評(píng)估數(shù)據(jù)集中多個(gè)ADMET參數(shù)之間的隱藏的關(guān)系和趨勢，預(yù)測化合物的細(xì)胞滲透性和溶解性等性質(zhì)。

//藥物臨床試驗(yàn)

新藥開發(fā)中資金投入最多的階段是臨床試驗(yàn)階段

，AI在臨床試驗(yàn)的設(shè)計(jì)、管理、患者招募方面皆有應(yīng)用潛力。自然語言處理技術(shù)可從各種結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)類型中提取信息，找到符合臨床試驗(yàn)入組標(biāo)準(zhǔn)的受試者；也可用于關(guān)聯(lián)各種大型數(shù)據(jù)集，找到變量之間的潛在關(guān)系，改進(jìn)患者與試驗(yàn)的匹配情況。諾華已使用機(jī)器學(xué)習(xí)算法監(jiān)控和管理所有的臨床試驗(yàn)