MaltSci 麦伴科研

Appearance

文献精选 > 高引权威"AI药物发现"文献

Concepts of Artificial Intelligence for Computer-Assisted Drug Discovery. ​

文献信息 ​

DOI10.1021/acs.chemrev.8b00728
PMID31294972
期刊Chemical reviews
发表年份2019
被引次数220
关键词人工智能, 深度学习, 药物发现
文献类型Journal Article, Research Support, Non-U.S. Gov't, Review
ISSN0009-2665
页码10520-10594
期号119(18)
作者Xin Yang, Yifei Wang, Ryan Byrne, Gisbert Schneider, Shengyong Yang

一句话小结 ​

本综述探讨了深度学习等人工智能技术在药物发现和开发中的应用，涵盖了虚拟筛选、新药设计和药物重定位等领域的最新进展。研究指出尽管这些机器学习方法展现出巨大潜力，但仍面临诸多挑战和局限，未来需进一步探索其应用方向。

在麦伴科研 (maltsci.com) 搜索更多文献 ​

人工智能 · 深度学习 · 药物发现

摘要 ​

人工智能（AI），特别是深度学习作为AI的一个子类别，为创新药物的发现和开发提供了机会。最近，各种机器学习方法再次出现，其中一些可以被视为特定领域的AI，已经成功应用于药物发现和设计。本综述全面描绘了这些机器学习技术及其在药物化学中的应用。在介绍各种机器学习算法的基本原理及其应用注意事项后，讨论了AI辅助药物发现的最新进展，包括在结构和配体基础的虚拟筛选、新药设计、物理化学和药代动力学性质预测、药物重定位及相关方面的应用。最后，总结了当前方法的一些挑战和局限性，并展望了AI辅助药物发现和设计的潜在未来方向。

英文摘要 ​

Artificial intelligence (AI), and, in particular, deep learning as a subcategory of AI, provides opportunities for the discovery and development of innovative drugs. Various machine learning approaches have recently (re)emerged, some of which may be considered instances of domain-specific AI which have been successfully employed for drug discovery and design. This review provides a comprehensive portrayal of these machine learning techniques and of their applications in medicinal chemistry. After introducing the basic principles, alongside some application notes, of the various machine learning algorithms, the current state-of-the art of AI-assisted pharmaceutical discovery is discussed, including applications in structure- and ligand-based virtual screening, de novo drug design, physicochemical and pharmacokinetic property prediction, drug repurposing, and related aspects. Finally, several challenges and limitations of the current methods are summarized, with a view to potential future directions for AI-assisted drug discovery and design.

麦伴智能科研服务 ​

智能阅读回答你对文献的任何问题，帮助理解文献中的复杂图表和公式
定位观点定位某个观点在文献中的蛛丝马迹
加入知识库完成数据提取，报告撰写等更多高级知识挖掘功能

主要研究问题 ​

  1. 在药物发现中，深度学习如何与传统药物开发方法相结合以提高效率？
  2. 除了虚拟筛选和药物重定位外，还有哪些机器学习技术可以应用于药物设计？
  3. 在AI辅助药物发现中，当前面临的主要挑战是什么，未来可能的解决方案有哪些？
  4. 机器学习在药物设计中的具体应用案例有哪些，如何评估其成功与否？
  5. 在药物开发的不同阶段，AI技术的应用有哪些具体差异和优势？

核心洞察 ​

1. 研究背景和目的 ​

近年来，人工智能（AI）尤其是深度学习作为AI的一个子领域，正在药物发现和开发领域中展现出巨大的潜力。传统的药物发现过程通常耗时长、成本高，而AI的应用能够在药物设计和筛选中提高效率，降低成本。本研究旨在全面探讨当前AI在药物发现中的应用，尤其是机器学习技术在药物化学中的具体运用，分析其优势与局限，并展望未来的发展方向。

2. 主要方法和发现 ​

本综述介绍了多种机器学习算法的基本原理及其在药物发现中的应用，涵盖了以下几个方面：

  • 结构和配体基础的虚拟筛选：利用AI技术对化合物库进行高效筛选，快速识别潜在药物候选分子。
  • 新药设计：通过算法生成新化合物结构，探索未被发掘的药物可能性。
  • 物理化学和药代动力学性质预测：使用机器学习模型预测药物的生物相容性和代谢行为。
  • 药物再利用：通过AI识别已上市药物的新适应症，缩短研发周期。

通过文献综述，研究者总结出当前AI辅助药物发现的最新技术进展及应用实例，指出这些方法在提高药物研发效率方面的有效性。

3. 核心结论 ​

本研究表明，AI和机器学习技术在药物发现过程中具有显著优势，能够有效加速药物研发的各个阶段。然而，现有方法仍存在一些挑战和局限性，包括数据的质量和可获取性、模型的可解释性以及算法的普适性等。这些因素可能影响AI在药物发现中的实际应用效果。

4. 研究意义和影响 ​

本研究的意义在于为药物研发领域的科研工作者提供一个关于AI应用的全面概述，促进对机器学习技术的理解和应用。同时，指出当前方法的不足之处，为未来的研究方向提供参考。随着AI技术的不断进步，预计在药物发现中将发挥更大的作用，最终有助于加速新药上市，提高人类健康水平。

引用本文的文献 ​

  1. Rethinking drug design in the artificial intelligence era. - Petra Schneider;W Patrick Walters;Alleyn T Plowright;Norman Sieroka;Jennifer Listgarten;Robert A Goodnow;Jasmin Fisher;Johanna M Jansen;José S Duca;Thomas S Rush;Matthias Zentgraf;John Edward Hill;Elizabeth Krutoholow;Matthias Kohler;Jeff Blaney;Kimito Funatsu;Chris Luebkemann;Gisbert Schneider - Nature reviews. Drug discovery (2020)
  2. Validation Study of QSAR/DNN Models Using the Competition Datasets. - Yoshiki Kato;Shinji Hamada;Hitoshi Goto - Molecular informatics (2020)
  3. Machine-Learning-Assisted De Novo Design of Organic Molecules and Polymers: Opportunities and Challenges. - Guang Chen;Zhiqiang Shen;Akshay Iyer;Umar Farooq Ghumman;Shan Tang;Jinbo Bi;Wei Chen;Ying Li - Polymers (2020)
  4. Exploration of databases and methods supporting drug repurposing: a comprehensive survey. - Ziaurrehman Tanoli;Umair Seemab;Andreas Scherer;Krister Wennerberg;Jing Tang;Markus Vähä-Koskela - Briefings in bioinformatics (2021)
  5. Capsule Networks Showed Excellent Performance in the Classification of hERG Blockers/Nonblockers. - Yiwei Wang;Lei Huang;Siwen Jiang;Yifei Wang;Jun Zou;Hongguang Fu;Shengyong Yang - Frontiers in pharmacology (2019)
  6. In silico Strategies to Support Fragment-to-Lead Optimization in Drug Discovery. - Lauro Ribeiro de Souza Neto;José Teófilo Moreira-Filho;Bruno Junior Neves;Rocío Lucía Beatriz Riveros Maidana;Ana Carolina Ramos Guimarães;Nicholas Furnham;Carolina Horta Andrade;Floriano Paes Silva - Frontiers in chemistry (2020)
  7. Putting deep learning in perspective for pest management scientists. - Robert D Clark - Pest management science (2020)
  8. Virtual screening web servers: designing chemical probes and drug candidates in the cyberspace. - Natesh Singh;Ludovic Chaput;Bruno O Villoutreix - Briefings in bioinformatics (2021)
  9. How Computational Chemistry and Drug Delivery Techniques Can Support the Development of New Anticancer Drugs. - Mariangela Garofalo;Giovanni Grazioso;Andrea Cavalli;Jacopo Sgrignani - Molecules (Basel, Switzerland) (2020)
  10. Drug Research Meets Network Science: Where Are We? - Maurizio Recanatini;Chiara Cabrelle - Journal of medicinal chemistry (2020)

... (210 更多 篇文献)

© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研