MaltSci 麦伴科研

Appearance

文献精选 > 高引权威"AI药物发现"文献

Artificial intelligence in drug discovery: recent advances and future perspectives. ​

文献信息 ​

DOI10.1080/17460441.2021.1909567
PMID33779453
期刊Expert opinion on drug discovery
影响因子4.9
JCR 分区Q1
发表年份2021
被引次数104
关键词药物发现, 定量构效关系（QSAR）, 人工智能, 从头药物设计, 合成预测
文献类型Journal Article, Research Support, Non-U.S. Gov't, Review
ISSN1746-0441
页码949-959
期号16(9)
作者José Jiménez-Luna, Francesca Grisoni, Nils Weskamp, Gisbert Schneider

一句话小结 ​

本文回顾了人工智能在计算机辅助药物发现中的应用现状，重点讨论了深度学习在定量结构-活性关系、新分子设计和化学合成预测等方面的优势与局限。研究表明，深度学习方法有潜力解决药物发现中的关键问题，未来开放数据共享和模型开发将进一步推动这一领域的发展。

在麦伴科研 (maltsci.com) 搜索更多文献 ​

药物发现 · 定量构效关系（QSAR） · 人工智能 · 从头药物设计 · 合成预测

摘要 ​

引言：人工智能（AI）已激发了计算机辅助药物发现的研究。机器学习，特别是深度学习，在多个科学领域的广泛应用，以及计算硬件和软件的进步等因素，持续推动着这一发展。最初对AI在药物发现中应用的怀疑已开始消散，从而有利于药物化学的发展。

涉及领域：本文回顾了化学信息学中AI的现状。讨论的主题包括定量结构-活性/性质关系和基于结构的建模、新分子设计以及化学合成预测。强调了当前深度学习应用的优势和局限性，并展望了下一代AI在药物发现中的应用。

专家观点：基于深度学习的方法才刚刚开始解决药物发现中的一些基本问题。某些方法论的进展，如消息传递模型、空间对称保持网络、混合新分子设计以及其他创新的机器学习范式，可能会变得普遍，并有助于解决一些最具挑战性的问题。开放数据共享和模型开发将在AI推动药物发现的进步中发挥核心作用。

英文摘要 ​

Introduction: Artificial intelligence (AI) has inspired computer-aided drug discovery. The widespread adoption of machine learning, in particular deep learning, in multiple scientific disciplines, and the advances in computing hardware and software, among other factors, continue to fuel this development. Much of the initial skepticism regarding applications of AI in pharmaceutical discovery has started to vanish, consequently benefitting medicinal chemistry.Areas covered: The current status of AI in chemoinformatics is reviewed. The topics discussed herein include quantitative structure-activity/property relationship and structure-based modeling, de novo molecular design, and chemical synthesis prediction. Advantages and limitations of current deep learning applications are highlighted, together with a perspective on next-generation AI for drug discovery.Expert opinion: Deep learning-based approaches have only begun to address some fundamental problems in drug discovery. Certain methodological advances, such as message-passing models, spatial-symmetry-preserving networks, hybrid de novo design, and other innovative machine learning paradigms, will likely become commonplace and help address some of the most challenging questions. Open data sharing and model development will play a central role in the advancement of drug discovery with AI.

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. 目前在药物发现中，AI如何优化化合物的设计过程？
  2. 深度学习在药物合成预测中的具体应用有哪些？
  3. 有哪些成功案例展示了AI在药物发现中的实际效果？
  4. 当前AI在药物发现中面临的主要挑战是什么，未来如何克服？
  5. 开放数据共享对药物发现中AI应用的影响有哪些？

核心洞察 ​

1. 研究背景和目的 ​

人工智能（AI）在药物发现领域的应用日益受到关注，尤其是机器学习，特别是深度学习的广泛采用，促进了计算机辅助药物发现的发展。随着计算硬件和软件的进步，AI在药物研发中的应用逐渐得到认可，过去对此的怀疑态度正在消退。本研究旨在综述AI在化学信息学中的当前状态，探讨其在药物发现中的应用进展、优势与局限性，并展望未来的发展方向。

2. 主要方法和发现 ​

本文回顾了AI在药物发现领域的各种应用，尤其是在以下几个方面的进展：

  • 定量构效关系/QSAR与结构基础建模：AI可以有效地建立分子特性与生物活性之间的关系模型。
  • 从头分子设计：利用AI进行新分子的设计，探索新的化合物库。
  • 化学合成预测：AI能够预测化合物的合成路径，提高合成效率。

研究还强调了当前深度学习应用的优势，如提高预测精度和加速药物发现过程，同时也指出其局限性，包括数据依赖性和模型解释性不足。文章提到了一些新兴的方法论进展，如消息传递模型和空间对称保持网络，这些方法将为解决药物发现中的复杂问题提供新的思路。

3. 核心结论 ​

AI，特别是深度学习技术，正在逐步解决药物发现中的一些基本问题。新兴的机器学习范式和方法，如混合从头设计，将越来越普遍，促进药物研发的进步。开放数据共享和模型开发将是推动药物发现与AI结合的重要因素。

4. 研究意义和影响 ​

本研究的意义在于为药物研发领域提供了关于AI应用的系统性回顾，明确了当前技术的优势和局限性，并展望了未来可能的研究方向。这对于科研人员和制药行业从业者理解和应用AI技术具有重要的指导价值。通过推动AI与药物发现的结合，可以提高新药研发的效率，降低成本，最终加速新药的上市速度，从而对公共健康产生深远的影响。

引用本文的文献 ​

  1. Phytochemical Constituents of Medicinal Plants for the Treatment of Chronic Inflammation. - Ki Sung Kang - Biomolecules (2021)
  2. Molecular insights on ABL kinase activation using tree-based machine learning models and molecular docking. - Philipe Oliveira Fernandes;Diego Magno Martins;Aline de Souza Bozzi;João Paulo A Martins;Adolfo Henrique de Moraes;Vinícius Gonçalves Maltarollo - Molecular diversity (2021)
  3. A critical overview of computational approaches employed for COVID-19 drug discovery. - Eugene N Muratov;Rommie Amaro;Carolina H Andrade;Nathan Brown;Sean Ekins;Denis Fourches;Olexandr Isayev;Dima Kozakov;José L Medina-Franco;Kenneth M Merz;Tudor I Oprea;Vladimir Poroikov;Gisbert Schneider;Matthew H Todd;Alexandre Varnek;David A Winkler;Alexey V Zakharov;Artem Cherkasov;Alexander Tropsha - Chemical Society reviews (2021)
  4. The Transporter-Mediated Cellular Uptake and Efflux of Pharmaceutical Drugs and Biotechnology Products: How and Why Phospholipid Bilayer Transport Is Negligible in Real Biomembranes. - Douglas B Kell - Molecules (Basel, Switzerland) (2021)
  5. Intelligent host engineering for metabolic flux optimisation in biotechnology. - Lachlan J Munro;Douglas B Kell - The Biochemical journal (2021)
  6. Evaluating High-Variance Leaves as Uncertainty Measure for Random Forest Regression. - Thomas-Martin Dutschmann;Knut Baumann - Molecules (Basel, Switzerland) (2021)
  7. DockStream: a docking wrapper to enhance de novo molecular design. - Jeff Guo;Jon Paul Janet;Matthias R Bauer;Eva Nittinger;Kathryn A Giblin;Kostas Papadopoulos;Alexey Voronov;Atanas Patronov;Ola Engkvist;Christian Margreitter - Journal of cheminformatics (2021)
  8. Artificial intelligence in the prediction of protein-ligand interactions: recent advances and future directions. - Ashwin Dhakal;Cole McKay;John J Tanner;Jianlin Cheng - Briefings in bioinformatics (2022)
  9. MassGenie: A Transformer-Based Deep Learning Method for Identifying Small Molecules from Their Mass Spectra. - Aditya Divyakant Shrivastava;Neil Swainston;Soumitra Samanta;Ivayla Roberts;Marina Wright Muelas;Douglas B Kell - Biomolecules (2021)
  10. "Compoundless Anaesthesia", Controlled Administration, and Post-Operative Recovery Acceleration: Musings on Theoretical Nanomedicine Applications. - Tyler Lance Jaynes - Journal of clinical medicine (2022)

... (94 更多 篇文献)

© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研