MaltSci 麦伴科研

Appearance

文献精选 > 高引权威"AI药物发现"文献

Deep learning in drug discovery: an integrative review and future challenges. ​

文献信息 ​

DOI10.1007/s10462-022-10306-1
PMID36415536
期刊Artificial intelligence review
影响因子13.9
JCR 分区Q1
发表年份2023
被引次数70
关键词人工智能, 深度学习, 数字双胞胎, 药物发现, 药物剂量优化
文献类型Journal Article
ISSN0269-2821
页码5975-6037
期号56(7)
作者Heba Askr, Enas Elgeldawi, Heba Aboul Ella, Yaseen A M M Elshaier, Mamdouh M Gomaa, Aboul Ella Hassanien

一句话小结 ​

本文通过系统性文献综述，分析了2000至2022年间深度学习在药物发现中的应用，包括药物-靶点相互作用、药物副作用预测等，强调了该技术在缩短新药开发时间和成本方面的潜力。同时，文章指出了未来研究方向和挑战，如可解释人工智能和数字双胞胎的应用，以推动药物发现领域的发展。

在麦伴科研 (maltsci.com) 搜索更多文献 ​

人工智能 · 深度学习 · 数字双胞胎 · 药物发现 · 药物剂量优化

摘要 ​

最近，人工智能（AI）在药物发现中的应用受到广泛关注，因为它显著缩短了新药开发的时间和成本。随着深度学习（DL）技术的进步以及药物相关数据的增加，基于深度学习的方法在药物开发的各个阶段被越来越多地使用。因此，本文提供了一项系统性文献综述（SLR），整合了近年来在药物发现中应用的深度学习技术，包括药物-靶点相互作用（DTIs）、药物-药物相似性相互作用（DDIs）、药物敏感性和反应性，以及药物副作用预测。我们对2000年至2022年间超过300篇文章进行了回顾。文中还介绍了基准数据集、数据库和评估指标。此外，本文概述了可解释人工智能（XAI）如何支持药物发现问题，同时讨论了药物剂量优化和成功案例。最后，数字双胞胎（DT）和开放性问题被建议作为药物发现领域未来的研究挑战。文章明确了需解决的挑战、未来研究方向，并附上了丰富的参考文献。

英文摘要 ​

Recently, using artificial intelligence (AI) in drug discovery has received much attention since it significantly shortens the time and cost of developing new drugs. Deep learning (DL)-based approaches are increasingly being used in all stages of drug development as DL technology advances, and drug-related data grows. Therefore, this paper presents a systematic Literature review (SLR) that integrates the recent DL technologies and applications in drug discovery Including, drug-target interactions (DTIs), drug-drug similarity interactions (DDIs), drug sensitivity and responsiveness, and drug-side effect predictions. We present a review of more than 300 articles between 2000 and 2022. The benchmark data sets, the databases, and the evaluation measures are also presented. In addition, this paper provides an overview of how explainable AI (XAI) supports drug discovery problems. The drug dosing optimization and success stories are discussed as well. Finally, digital twining (DT) and open issues are suggested as future research challenges for drug discovery problems. Challenges to be addressed, future research directions are identified, and an extensive bibliography is also included.

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. 深度学习在药物发现中的具体应用案例有哪些？它们是如何提高药物研发效率的？
  2. 除了深度学习，还有哪些人工智能技术在药物发现中展现出潜力？
  3. 目前在药物发现中使用的深度学习模型面临哪些主要挑战？
  4. 如何评估深度学习在药物发现中的成功与失败案例？有哪些评价指标？
  5. 未来深度学习在药物发现领域的发展趋势是什么？是否会有新的技术出现？

核心洞察 ​

研究背景和目的 ​

随着人工智能（AI）技术的发展，深度学习（DL）在药物发现领域的应用日益受到关注。药物开发过程通常耗时长、成本高，因此使用DL方法来加速这一过程具有重要意义。本文旨在系统性地回顾近年来DL在药物发现中的应用，包括药物-靶点相互作用（DTIs）、药物-药物相似性相互作用（DDIs）、药物敏感性及响应、药物副作用预测等。

主要方法/材料/实验设计 ​

本研究通过系统文献综述（SLR）的方法，分析了2000年至2022年间的300多篇相关文献，涵盖了以下六个主要构建模块：

  1. 药物-靶点相互作用（DTIs）
  2. 药物-药物相似性（DDIs）
  3. 药物敏感性与响应
  4. 药物副作用预测
  5. 药物剂量优化
  6. 可解释人工智能（XAI）在药物发现中的应用

以下是研究的技术路线图（Mermaid代码）：

Mermaid diagram

关键结果和发现 ​

  • 药物-靶点相互作用：DL模型在DTI预测中显示出优越性，特别是在处理高维数据时，能够有效预测药物与靶点的相互作用。
  • 药物-药物相似性：利用多种相似性度量（如结构相似性、靶点相似性等）结合深度学习，显著提高了DDI的预测准确性。
  • 药物敏感性与响应：基于基因表达数据的DL模型能够有效预测癌症细胞对药物的反应。
  • 药物副作用预测：通过图神经网络等方法，能够更好地识别潜在的药物副作用。
  • 药物剂量优化：深度学习方法有助于个性化药物剂量的确定，提高治疗效果，降低副作用。

主要结论/意义/创新性 ​

本研究首次整合了DL在不同药物发现问题中的应用，强调了可解释人工智能（XAI）和数字双胞胎（DT）在药物发现中的重要性。研究结果表明，DL技术在药物发现的各个阶段均有广泛的应用潜力，有助于加速药物开发过程。

研究局限性和未来方向 ​

尽管DL在药物发现中展现出巨大潜力，但仍面临数据稀缺、模型可解释性不足等挑战。未来研究应集中于以下几个方面：

  • 开发更高效的DL算法，以提高药物发现的预测准确性。
  • 加强对模型的可解释性研究，以便于临床应用。
  • 探索多模态数据的结合，以提升药物反应预测的准确性。

本研究为药物发现领域的研究者提供了全面的文献综述和未来研究方向的建议，期待能够推动该领域的进一步发展。

引用本文的文献 ​

  1. An extensive survey on the use of supervised machine learning techniques in the past two decades for prediction of drug side effects. - Pranab Das;Dilwar Hussain Mazumder - Artificial intelligence review (2023)
  2. A Systematic Review of Deep Learning Methodologies Used in the Drug Discovery Process with Emphasis on In Vivo Validation. - Nikoletta-Maria Koutroumpa;Konstantinos D Papavasileiou;Anastasios G Papadiamantis;Georgia Melagraki;Antreas Afantitis - International journal of molecular sciences (2023)
  3. A deep learning predictive model for public health concerns and hesitancy toward the COVID-19 vaccines. - Heba Mamdouh Farghaly;Mamdouh M Gomaa;Enas Elgeldawi;Heba Askr;Yaseen A M M Elshaier;Hassan Aboul Ella;Ashraf Darwish;Aboul Ella Hassanien - Scientific reports (2023)
  4. Making sense of chemical space network shows signs of criticality. - Nicola Amoroso;Nicola Gambacorta;Fabrizio Mastrolorito;Maria Vittoria Togo;Daniela Trisciuzzi;Alfonso Monaco;Ester Pantaleo;Cosimo Damiano Altomare;Fulvio Ciriaco;Orazio Nicolotti - Scientific reports (2023)
  5. Artificial intelligence-driven new drug discovery targeting serine/threonine kinase 33 for cancer treatment. - Na Ly Tran;Hyerim Kim;Cheol-Hee Shin;Eun Ko;Seung Ja Oh - Cancer cell international (2023)
  6. Advancing Biomedicine with Graph Representation Learning: Recent Progress, Challenges, and Future Directions. - Fang Li;Yi Nian;Zenan Sun;Cui Tao - Yearbook of medical informatics (2023)
  7. Deep learning algorithms applied to computational chemistry. - Abimael Guzman-Pando;Graciela Ramirez-Alonso;Carlos Arzate-Quintana;Javier Camarillo-Cisneros - Molecular diversity (2024)
  8. Artificial Intelligence in Drug Discovery: A Bibliometric Analysis and Literature Review. - Baoyu He;Jingjing Guo;Henry H Y Tong;Wai Ming To - Mini reviews in medicinal chemistry (2024)
  9. Advancing bioinformatics with large language models: components, applications and perspectives. - Jiajia Liu;Mengyuan Yang;Yankai Yu;Haixia Xu;Tiangang Wang;Kang Li;Xiaobo Zhou - ArXiv (2025)
  10. Techniques and Strategies in Drug Design and Discovery. - George Mihai Nitulescu - International journal of molecular sciences (2024)

... (60 更多 篇文献)

© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研