清华大学学报(自然科学版)

作者：陈鑫, 刘喜恩, 吴及

单位：清华大学 电子工程系, 北京 10084

关键词：药物,表示学习,简化分子线性输入规范(SMILES),分子图

基金：吴及,教授,

药物开发过程存在资本密度高、风险大、周期长的特点，需要投入大量的资金、人力与物力。传统的机器学习方法虽然可以在一定程度上辅助药物开发，但需要分子描述符作为特征输入，而不同的分子描述符的选择对机器学习模型的性能影响较大，因此传统的机器学习方法大多需要进行繁复、耗时的特征工程。近年新兴的深度学习方法，能够从药物的"原始"结构中直接提取特征，从而绕开特征工程，缩短开发周期。该文将现有的药物表示学习方法划分为2类：基于简化分子线性输入规范（SMILES）表达式的药物表示学习和基于分子图的药物表示学习，报告了这两类药物表示学习方法的最新研究进展，阐述了各种方法的创新点与局限性。最后，指出了当前药物表示学习研究中存在的重大挑战，并讨论了可能的解决方案。

来源：2020年第2期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2020年第2期