热门主题报告 / 药物发现

---

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

---

深度学习在药物设计中的应用有哪些？

摘要

近年来，深度学习作为人工智能的一个重要分支，已在药物设计领域展现出巨大的潜力。药物设计是一个复杂且耗时的过程，传统的药物发现方法往往依赖于生物化学知识和实验验证，这不仅效率低下，而且成本高昂。随着计算技术的迅猛发展，深度学习算法的应用为药物发现提供了新的解决方案。这些算法能够处理海量数据，识别复杂模式，从而显著提高药物发现的效率和准确性。深度学习在药物设计中的应用具有重要的研究意义，能够通过自动化数据分析，减少人力成本并缩短药物开发周期。此外，深度学习能够处理复杂的生物数据，帮助研究人员识别潜在的药物靶点和优化分子结构，提高药物的成功率。本文综述了深度学习在药物设计中的主要应用，包括分子结构预测、药物-靶点相互作用预测、药物重定位及毒性预测等。通过对现有文献的系统分析，本文旨在为研究人员和从业者提供一个全面的视角，了解深度学习在药物设计领域的最新进展及其潜在影响。

大纲

本报告将涉及如下问题的讨论。

• 1 引言
• 2 深度学习在药物设计中的基本原理
  • 2.1 深度学习的基本概念
  • 2.2 药物设计的传统方法与深度学习的比较
• 3 深度学习在分子结构预测中的应用
  • 3.1 分子特征提取
  • 3.2 生成对抗网络在分子设计中的应用
• 4 药物-靶点相互作用的预测
  • 4.1 机器学习与深度学习在药物靶点预测中的优势
  • 4.2 案例研究与实际应用
• 5 药物重定位的深度学习方法
  • 5.1 重定位的概念与重要性
  • 5.2 深度学习在药物重定位中的应用实例
• 6 毒性预测与安全性评估
  • 6.1 深度学习在毒性预测中的作用
  • 6.2 现有模型与挑战
• 7 总结

1 引言

近年来，深度学习作为人工智能的一个重要分支，已在药物设计领域展现出巨大的潜力。药物设计是一个复杂且耗时的过程，传统的药物发现方法往往依赖于生物化学知识和实验验证，这不仅效率低下，而且成本高昂[1]。随着计算技术的迅猛发展，深度学习算法的应用为药物发现提供了新的解决方案。这些算法能够处理海量数据，识别复杂模式，从而显著提高药物发现的效率和准确性[2][3]。

深度学习在药物设计中的应用具有重要的研究意义。首先，深度学习技术能够通过自动化数据分析，减少人力成本并缩短药物开发周期。其次，深度学习能够处理复杂的生物数据，帮助研究人员识别潜在的药物靶点和优化分子结构，从而提高药物的成功率[4]。此外，深度学习在药物重定位和毒性预测等方面的应用也为药物开发提供了新的思路[5]。这些技术的结合不仅提高了药物开发的效率，还为个性化医疗提供了可能的解决方案[6]。

目前，深度学习在药物设计中的应用已取得了一定的进展。研究者们开发了多种深度学习模型，用于分子结构预测、药物-靶点相互作用预测、药物重定位及毒性预测等方面[7][8]。例如，生成对抗网络（GAN）已被广泛应用于分子设计中，以生成具有特定药理特性的分子[4]。此外，机器学习与深度学习的结合在药物靶点预测中也展现出明显的优势，能够有效提高预测的准确性[3]。然而，尽管深度学习在药物设计中取得了一定的成果，仍然面临着数据质量、模型可解释性和临床应用等方面的挑战[9]。

本文将对深度学习在药物设计中的主要应用进行综述，内容将组织如下：首先介绍深度学习的基本概念及其在药物设计中的传统方法与深度学习的比较；接着探讨深度学习在分子结构预测中的应用，包括分子特征提取和生成对抗网络的应用；随后分析药物-靶点相互作用的预测，包括机器学习与深度学习的优势以及相关案例研究；再者，讨论药物重定位的深度学习方法及其应用实例；最后，探讨毒性预测与安全性评估中的深度学习应用及现有模型的挑战。通过对现有文献的系统分析，旨在为研究人员和从业者提供一个全面的视角，了解深度学习在药物设计领域的最新进展及其潜在影响。

2 深度学习在药物设计中的基本原理

2.1 深度学习的基本概念

深度学习在药物设计中的应用日益广泛，已成为药物发现和开发过程中的重要工具。根据现有文献，深度学习技术在药物设计中的应用主要体现在以下几个方面：

1. 分子生成与设计：深度学习可以用于生成新的药物分子，尤其是在de novo药物设计中。通过利用深度学习模型，如递归神经网络（RNN）、编码器-解码器架构、强化学习和生成对抗网络（GAN），研究人员能够生成具有期望药理和理化特性的全新先导化合物[4]。例如，研究表明，GAN模型能够在药物设计中有效地生成新分子，并对其进行性质预测[8]。

2. 药物-靶标相互作用预测：深度学习技术在药物-靶标相互作用（DTI）预测中也发挥了重要作用。这一过程涉及使用深度学习模型分析药物与其靶标之间的相互作用，以识别潜在的药物候选者。研究显示，深度学习可以显著提高药物筛选的效率，减少药物开发所需的时间和成本[1]。

3. 抗体设计与优化：深度学习不仅限于小分子药物的设计，还在生物分子，特别是抗体的发现和开发中取得了显著进展。研究人员结合体外和计算方法，加速了抗体的开发过程，从抗体的库生成到命中识别、开发性筛选、领先选择和优化等各个环节[3]。深度学习方法的应用使得抗体的设计更加高效，成功率也有所提高[5]。

4. 分子性质预测：深度学习在定量构效关系（QSAR）建模中也得到了广泛应用。通过使用深度学习方法，研究人员能够预测分子的生物活性和物理性质，进而加速药物发现的进程[8]。这种方法能够自动生成新的分子表示，并利用深度神经网络揭示复杂的非线性关系，从而实现更高的预测精度[7]。

5. 抗癌药物敏感性预测：深度学习在抗癌药物的敏感性预测中也显示出潜力。通过分析多组学数据，深度学习模型能够帮助识别药物敏感性生物标志物，推动抗癌药物的开发[10]。

总的来说，深度学习技术通过提供强大的数据处理能力和模型构建能力，正在改变药物设计和开发的传统方式，使得药物发现过程更加高效和精准。这些应用不仅加速了新药的研发进程，还提高了药物开发的成功率，为个性化医疗提供了支持。

2.2 药物设计的传统方法与深度学习的比较

深度学习在药物设计中的应用广泛且多样，主要体现在以下几个方面：

1. 分子生成与性质预测：深度学习已被用于生成具有期望药理学和理化性质的新型先导化合物。该过程通常被称为“de novo药物设计”，其中深度学习模型能够学习现有分子的特征，并基于这些特征生成新分子。这些模型包括递归神经网络、编码器-解码器结构、强化学习和生成对抗网络（GAN）等[4]。深度学习在定量构效关系（QSAR）模型的开发中也取得了显著进展，能够预测分子的生物活性和物理性质，超越传统的专家定义的化学特征[8]。

2. 药物-靶标相互作用预测：深度学习技术在药物发现过程中被广泛应用于药物-靶标相互作用（DTI）预测。这些模型能够通过分析药物与靶标之间的相互作用，帮助研究人员筛选和设计适合的药物，以进入临床前测试阶段[1]。

3. 抗体设计与优化：深度学习在抗体的设计和优化方面也显示出强大的潜力。研究人员结合体外和计算方法，加速抗体开发过程，提升候选药物的生成效率[3]。这种方法能够在复杂抗原上快速生成潜在的抗体候选者，并优化其亲和力和特异性[5]。

4. 数据处理与降维：在药物开发的预临床阶段，深度学习还被用于处理单细胞数据的降维任务，这对于理解药物作用机制和优化药物设计至关重要[2]。

5. 结构基础药物设计：深度学习的几何深度学习方法应用于药物设计，利用三维几何信息识别合适的配体，提升了分子性质预测和结合位点预测的准确性[7]。

与传统药物设计方法相比，深度学习具有显著优势。传统方法通常依赖于经验和直觉，耗时且成本高，且容易导致失败。深度学习通过自动化数据分析，能够处理复杂的非线性数据，减少药物发现的时间和成本[11]。例如，传统的药物筛选方法需要大量的实验验证，而深度学习可以通过模型预测来快速筛选潜在候选药物，从而加速研发过程。

总体而言，深度学习的引入不仅提高了药物设计的效率和准确性，还为个性化医疗和精准医学的发展奠定了基础，推动了药物发现领域的变革。

3 深度学习在分子结构预测中的应用

3.1 分子特征提取

深度学习在药物设计中的应用主要集中在分子特征提取和分子结构预测方面。随着计算机硬件和软件的进步，深度学习技术在药物发现领域的应用不断扩展，尤其是在分子性质预测和新分子的生成方面。

在分子特征提取方面，深度学习方法被用来开发新的分子表示形式，这些表示形式不再依赖于专家定义的化学特征，而是通过深度神经网络自动提取复杂的非线性关系。这种方法在定量构效关系（QSAR）建模中的应用，显著提高了生物活性和物理性质预测的准确性[8]。例如，图卷积网络（GCN）已被广泛应用于药物发现，能够通过图结构有效提取分子特征，从而提高分子性质和活性预测的性能[12]。

在分子结构预测方面，深度学习技术也展现了巨大的潜力。几种新兴的深度学习模型，特别是基于几何深度学习的方法，能够利用大分子的三维几何信息来识别合适的配体。这些模型可以用于分子属性预测、配体结合位点和姿态预测，以及基于结构的分子设计[7]。此外，深度学习还促进了从目标蛋白质序列直接生成新分子的研究，例如DeepTarget模型通过氨基酸序列生成新分子，减少了对已知分子的依赖[13]。

值得注意的是，深度学习在药物设计中的应用并非没有挑战。模型的设计依赖于可用数据的质量、数量和相关性，因此如何创建高质量的训练集和评估模型的信心仍然是当前研究的热点[8]。尽管如此，深度学习的进步为药物发现的各个阶段提供了新的工具和思路，极大地提高了新药研发的效率和成功率。

3.2 生成对抗网络在分子设计中的应用

深度学习在药物设计中的应用已经取得了显著的进展，尤其是在分子生成和结构预测方面。生成对抗网络（GANs）作为一种深度学习方法，已被广泛应用于药物设计的多个领域，主要体现在以下几个方面：

首先，GANs被用于分子生成，即在药物发现过程中创建新的分子结构。Eugene Lin等人（2020年）指出，随着计算技术的进步，深度学习算法，尤其是GAN框架，正在用于多种疾病的临床药物开发中。GANs能够有效地进行分子“从头”设计，探索化学空间，生成具有特定性质的新分子[2]。具体而言，GANs可以生成新的药物分子，满足特定的药理学和物理化学特性，从而推动药物发现的进程[14]。

其次，GANs还在去新肽和蛋白质设计中发挥了重要作用。Lin等人（2022年）回顾了使用GAN算法进行去新肽和蛋白质设计的最新研究，强调了这种方法在生成特定靶向的肽类和蛋白质治疗药物中的潜力，尤其是与传统小分子药物相比，这些治疗药物通常具有更少的副作用[14]。

此外，GANs也被应用于单细胞数据的维度减少任务，这在药物开发的前临床阶段至关重要。通过对单细胞数据的分析，GANs能够帮助研究人员更好地理解生物系统的复杂性，并推动药物设计的效率[2]。

在三维结构基础的药物设计中，几何深度学习与GAN的结合被认为是解决三维分子图和流形数据的准确模型训练的有效方法。Qifeng Bai等人（2024年）总结了几何深度学习方法及其在三维结构基础药物设计中的应用，强调了GAN在生成新分子和优化药物设计中的重要性[15]。

最后，GANs的应用并非没有挑战。虽然它们在生成新分子方面表现出色，但仍面临数据不平衡、模型可解释性等问题。研究者们正在探索如何通过与生物信息学、分子动力学和数据增强相结合，克服这些挑战，以提高模型的性能并加速药物发现的进程[16]。

综上所述，深度学习，尤其是生成对抗网络，在药物设计中的应用涵盖了从分子生成到蛋白质设计的多个方面，展示了其在推动药物发现和开发过程中的潜力和重要性。

4 药物-靶点相互作用的预测

4.1 机器学习与深度学习在药物靶点预测中的优势

深度学习在药物设计中的应用日益广泛，尤其在药物-靶点相互作用（DTI）预测方面表现出色。传统的实验方法通常耗时且资源密集，而深度学习提供了一种高效且准确的替代方案，能够在药物发现的各个阶段进行有效预测。

首先，深度学习在药物-靶点相互作用预测中具有显著优势。传统的实验方法通常需要大量的时间和资金来验证药物与靶点之间的相互作用，而深度学习算法能够通过学习复杂的数据模式，从大规模的药物和靶点数据集中提取特征，从而实现快速的预测。例如，Yingjun Chen等人（2025年）指出，深度学习方法在药物-靶点相互作用预测中展现出强大的能力，尤其是在药物重定位、药物设计和精准医学等领域[17]。

其次，深度学习能够有效解决药物靶点预测中的特征表示问题。通过使用深度神经网络（DNN）、卷积神经网络（CNN）、图神经网络（GNN）等多种架构，研究者能够提取药物和蛋白质的多维特征，从而提高预测的准确性和可靠性。Xin Zeng等人（2024年）对多种深度学习模型在药物-靶点亲和力（DTA）预测中的应用进行了全面评述，强调了这些模型在处理复杂关系方面的优势[18]。

深度学习还能够处理药物-靶点结合亲和力的定量预测，这在传统方法中往往难以实现。Hakime Öztürk等人（2018年）提出的DeepDTA模型，利用序列信息进行结合亲和力的预测，显示出在多个基准数据集上优于现有方法的性能[19]。此外，CGPDTA模型通过转移学习和分子子结构图的结合，进一步提高了预测的准确性和可解释性[20]。

在实际应用中，深度学习模型不仅可以用于新药的发现，还可以帮助理解药物的副作用及其机制。Haoping Wang等人（2025年）提到，深度学习可以识别药物-靶点相互作用中的关键残基，并预测潜在的离靶相互作用，从而为药物设计提供重要的指导[21]。

总的来说，深度学习在药物设计中的应用，尤其是在药物-靶点相互作用的预测中，展现出强大的潜力。它不仅提高了预测的准确性和效率，还为药物发现过程提供了新的视角和方法。随着深度学习技术的不断进步，其在药物设计领域的应用前景将更加广阔。

4.2 案例研究与实际应用

深度学习在药物设计中的应用越来越广泛，特别是在药物-靶点相互作用（DTI）预测方面。药物-靶点相互作用的预测是药物发现中的关键步骤，传统的实验方法往往耗时且资源密集。因此，深度学习方法被引入以提高预测的效率和准确性。

首先，深度学习在DTI预测中的主要优势在于其能够从复杂的数据中提取特征。研究表明，深度学习模型（如深度神经网络、卷积神经网络和图神经网络）能够有效捕捉药物与靶点之间的复杂关系。这些模型的应用不仅提高了预测的准确性，还减少了实验室实验的需求，从而加速了药物开发的过程[17][22][23]。

例如，Chen等人（2025年）提供了一个结构化的综述，详细介绍了深度学习在DTI预测中的应用，探讨了特征表示策略、常用数据集及评估指标。该研究还分析了多种深度学习架构的优缺点，并提出了未来的研究方向，如自监督学习和可解释的人工智能[17]。

在具体案例研究中，Wang等人（2025年）提出了一种基于深度图卷积网络的双线性注意力网络（WDGBANDTI），用于药物-靶点相互作用的预测。该模型通过分析药物和靶点的亚结构，增强了模型的预测能力，并在多个常用数据集上验证了其准确性、灵敏度和特异性[24]。

此外，深度学习还在药物重定位和精准医学中展现出其应用潜力。通过分析药物与靶点的相互作用，研究人员能够发现新的药物用途，从而为患者提供个性化的治疗方案。Zeng等人（2024年）对基于深度学习的药物-靶点亲和力预测进行了全面的回顾，强调了这一领域的最新进展，并指出深度学习在药物筛选和设计中的重要性[18]。

综上所述，深度学习在药物设计中的应用不仅提高了药物-靶点相互作用的预测精度，还推动了药物发现的整体进程。通过结合深度学习技术，研究人员能够更有效地识别潜在的药物和靶点，从而加速新药的开发与临床应用。

5 药物重定位的深度学习方法

5.1 重定位的概念与重要性

药物重定位是一种具有吸引力的策略，用于发现已批准或正在研究的药物的新治疗用途，具有较短的开发时间和较低的开发成本。近年来，深度学习（DL）因其在靶点预测和药物重定位中的潜力而受到广泛关注。深度学习的基本原理和常用架构已被应用于药物重定位中，促进了这一方法的效率和成功率[25]。

在药物重定位的应用中，深度学习方法如深度稀疏自编码器（DRDSA）被提出，以处理复杂的药物-疾病异构网络。该方法结合了药物化学结构、疾病语义数据和已知药物-疾病关联的信息，构建了药物-疾病特征网络，并通过深度稀疏自编码器学习特征网络的低维表示，最终利用深度神经网络预测新的药物-疾病关联。实验结果显示，该方法在多个基准数据集上表现优异，尤其在CTD数据集上，AUC和AUPR分别达到0.9619和0.9676，超越了其他基线方法[26]。

此外，深度学习还被应用于药物重定位的几何深度学习框架中，例如DDAGDL模型，该模型利用异构信息网络中的几何深度学习来预测药物-药物关联（DDA）。通过将复杂的生物信息融入异构信息网络的拓扑结构中，DDAGDL能够有效学习药物和疾病的平滑表示，并在多个真实数据集上展示了优越的性能[27]。

UKEDR（统一知识增强深度学习框架）是另一种创新的深度学习方法，它结合了知识图谱嵌入、预训练策略和推荐系统，以解决药物重定位中的多样网络表示管理、冷启动问题及固有属性表示等挑战。该模型在冷启动场景中表现出强大的能力，能够处理未见节点并对新化合物进行泛化[28]。

综上所述，深度学习在药物重定位中的应用，不仅提高了预测的准确性和效率，还为药物开发提供了新的思路和方法。通过不断优化和整合不同的深度学习技术，药物重定位有望在未来的药物开发中发挥更大的作用。

5.2 深度学习在药物重定位中的应用实例

深度学习在药物重定位中的应用已经成为一个活跃的研究领域，其通过分析复杂的生物数据，帮助识别已有药物的新适应症。药物重定位是指将已批准的药物用于新的治疗用途，这一过程相比传统药物开发具有更短的时间和更低的成本。

在药物重定位的深度学习方法中，深度学习被广泛应用于多种场景。首先，深度学习能够通过学习药物与疾病之间的复杂非线性关系来提高预测的准确性。例如，Zeng等人（2019年）开发了名为deepDR的网络基础深度学习方法，该方法整合了多种网络（如药物-疾病、药物-副作用等），并利用多模态深度自编码器学习药物的高层特征。该方法在药物重定位中表现出色，AUC（受试者工作特征曲线下面积）达到了0.908，显著高于传统的网络基础或机器学习方法[29]。

此外，深度学习还被用于构建综合性药物重定位框架。例如，Xie等人（2024年）提出的DeepSeq2Drug框架利用多模态嵌入和集成策略来处理药物和病毒的数量问题，并确保对新药物的预测能力。这一框架在猴痘病毒的案例研究中显示了其潜在的预测能力，并提供了易于重用的软件工具[30]。

另一个实例是Amiri等人（2023年）提出的IDDI-DNN模型，该模型通过构建药物-疾病关联数据的相似性矩阵，利用卷积神经网络进行新药物-疾病关联的预测。该模型在预测准确性上优于其他先进方法，展示了深度学习在药物重定位中的有效性[31]。

深度学习在药物重定位中的应用不仅限于单一疾病的药物识别，还可以结合多种生物数据，进行更复杂的分析。例如，Yu等人（2022年）回顾了深度学习在靶点预测和药物重定位中的应用，强调了其在识别癌症和其他疾病新适应症方面的潜力[25]。

总之，深度学习通过其强大的数据处理能力和模式识别能力，正在推动药物重定位领域的发展，使得寻找新适应症的过程更加高效和精准。这些方法的成功应用不仅为现有药物提供了新的治疗选择，也为新药物的开发提供了有价值的参考。

6 毒性预测与安全性评估

6.1 深度学习在毒性预测中的作用

深度学习在药物设计中的应用，特别是在毒性预测与安全性评估方面，近年来得到了显著发展。药物毒性预测是确保药物安全性的重要步骤，传统的前临床研究主要依赖动物模型来评估毒性，但深度学习方法的进步为药物安全科学的推进提供了新的可能性，并减少了前临床研究中动物使用的需求[32]。

深度学习模型在从各种数据源（如化学结构、基因组数据和高通量筛选实验）预测毒性结果方面表现出色。这些模型能够自动进行特征工程，显著提高了毒性预测的效率和准确性。尤其是在处理大规模生物数据集时，深度学习展现出了其强大的能力[32]。

在药物毒性预测中，人工智能（AI）技术，尤其是深度学习和多模态数据融合策略，正在重塑药物毒理学评估的科学范式。深度学习技术的应用不仅提高了毒性预测的准确性，还推动了新药研发的效率。具体而言，深度学习被应用于多种毒性终点的预测，包括急性毒性、致癌性、器官特异性毒性等[33]。例如，采用图卷积网络（GCN）回归模型来预测急性毒性时，取得了显著的预测性能[34]。

此外，深度学习还能够通过构建图神经网络（GNN）模型，利用分子图的表示来提高毒性预测的准确性和效率。这些模型不仅在准确性上有所提升，还能提供更直观的见解，这对于模型的解释性和泛化能力的发展具有重要意义[35]。

值得注意的是，尽管深度学习在毒性预测中展现了巨大的潜力，但仍然面临一些挑战，例如处理数据的可解释性、模型的通用性和监管接受度等问题[32]。因此，未来的研究需要继续探索如何结合深度学习与传统方法，以开发更可靠和高效的毒性预测模型，从而推动药物发现和开发的安全性和有效性[32]。

综上所述，深度学习在药物设计中的应用，特别是在毒性预测与安全性评估方面，正在为药物研发提供新的工具和思路，推动了整个行业的进步和创新。

6.2 现有模型与挑战

深度学习在药物设计中的应用已经显著改变了药物开发的方式，特别是在毒性预测与安全性评估方面。毒性预测是确保药物安全性的重要步骤，传统的毒性评估方法主要依赖动物模型，这不仅成本高昂，而且效率低下。深度学习技术的进步为药物安全科学的提升提供了新的机遇，能够减少动物使用并提高预测的准确性。

深度学习模型在毒性预测中表现出色，能够从化学结构、基因组数据和高通量筛选实验等多种数据源中预测毒性结果。这些模型的优势在于其自动特征工程的能力，能够从大量生物数据中提取有用信息[32]。例如，深度图学习方法因其计算能力和成本效益在毒性预测中逐渐普及，能够有效处理分子描述符、分子表示、评估指标和数据集等多个方面[35]。

然而，尽管深度学习在毒性预测中展现了潜力，但也面临一些挑战。首先，深度学习模型的可解释性仍然是一个关键问题，尤其是在药物开发的早期阶段，缺乏对模型内部机制的理解可能限制其应用[32]。其次，处理大规模生物数据集的能力、模型的可接受性以及在不同毒性终点上的准确性仍需进一步研究和改进[33]。例如，尽管一些深度学习模型在预测急性毒性、致癌性和器官特异性毒性等方面取得了较高的AUC值，但如何提升模型的泛化能力和准确性仍是一个挑战[34]。

此外，深度学习模型在毒性预测中的应用也需要与传统方法相结合，以开发更可靠和高效的预测模型。例如，将深度学习与结构警示法相结合，能够在药物设计过程中提供更全面的毒性评估[36]。在未来，随着技术的不断进步，深度学习有望在药物毒性预测和安全性评估中发挥更大的作用，从而推动药物发现和开发的安全性和有效性[6]。

综上所述，深度学习在药物设计中的应用正在不断扩展，尤其是在毒性预测与安全性评估领域。尽管存在一些挑战，但通过持续的研究与技术创新，深度学习有潜力显著提高药物开发的效率和安全性。

7 总结

深度学习在药物设计领域的应用展现了显著的潜力和广泛的前景。通过自动化数据分析和复杂模式识别，深度学习技术能够显著提高药物发现的效率和准确性。主要发现包括：深度学习在分子生成与设计、药物-靶点相互作用预测、抗体设计与优化、分子性质预测及毒性预测等方面的应用，均为药物开发提供了新的思路和方法。研究现状表明，尽管深度学习在药物设计中取得了重要进展，但仍面临数据质量、模型可解释性和临床应用等挑战。未来的研究方向应集中于提高模型的可解释性、开发更高效的算法、整合多种数据源以及推动深度学习技术与传统药物开发方法的结合。这样的努力将为药物设计的个性化医疗和精准医学提供更为坚实的基础，进一步推动药物发现的进程。

参考文献

• [1] Jintae Kim;Sera Park;Dongbo Min;Wankyu Kim. Comprehensive Survey of Recent Drug Discovery Using Deep Learning.. International journal of molecular sciences(IF=4.9). 2021. PMID:34576146. DOI: 10.3390/ijms22189983.
• [2] Eugene Lin;Chieh-Hsin Lin;Hsien-Yuan Lane. Relevant Applications of Generative Adversarial Networks in Drug Design and Discovery: Molecular De Novo Design, Dimensionality Reduction, and De Novo Peptide and Protein Design.. Molecules (Basel, Switzerland)(IF=4.6). 2020. PMID:32708785. DOI: 10.3390/molecules25143250.
• [3] Sara Joubbi;Alessio Micheli;Paolo Milazzo;Giuseppe Maccari;Giorgio Ciano;Dario Cardamone;Duccio Medini. Antibody design using deep learning: from sequence and structure design to affinity maturation.. Briefings in bioinformatics(IF=7.7). 2024. PMID:38960409. DOI: 10.1093/bib/bbae307.
• [4] Mingyang Wang;Zhe Wang;Huiyong Sun;Jike Wang;Chao Shen;Gaoqi Weng;Xin Chai;Honglin Li;Dongsheng Cao;Tingjun Hou. Deep learning approaches for de novo drug design: An overview.. Current opinion in structural biology(IF=7.0). 2022. PMID:34823138. DOI: 10.1016/j.sbi.2021.10.001.
• [5] Yuwei Zhou;Ziru Huang;Wenzhen Li;Jinyi Wei;Qianhu Jiang;Wei Yang;Jian Huang. Deep learning in preclinical antibody drug discovery and development.. Methods (San Diego, Calif.)(IF=4.3). 2023. PMID:37454742. DOI: 10.1016/j.ymeth.2023.07.003.
• [6] Divya D Patel;Ruchi S Pathak;Kaushika S Patel;Hardik G Bhatt;Paresh K Patel. The Future of Medicine: AI and ML Driven Drug Discovery Advancements.. Current topics in medicinal chemistry(IF=3.3). 2025. PMID:40207759. DOI: 10.2174/0115680266346722250401191232.
• [7] Clemens Isert;Kenneth Atz;Gisbert Schneider. Structure-based drug design with geometric deep learning.. Current opinion in structural biology(IF=7.0). 2023. PMID:36842415. DOI: 10.1016/j.sbi.2023.102548.
• [8] W Patrick Walters;Regina Barzilay. Applications of Deep Learning in Molecule Generation and Molecular Property Prediction.. Accounts of chemical research(IF=17.7). 2021. PMID:33370107. DOI: 10.1021/acs.accounts.0c00699.
• [9] Celio F Lipinski;Vinicius G Maltarollo;Patricia R Oliveira;Alberico B F da Silva;Kathia Maria Honorio. Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery.. Frontiers in robotics and AI(IF=3.0). 2019. PMID:33501123. DOI: 10.3389/frobt.2019.00108.
• [10] Xian Tan;Yang Yu;Kaiwen Duan;Jingbo Zhang;Pingping Sun;Hui Sun. Current Advances and Limitations of Deep Learning in Anticancer Drug Sensitivity Prediction.. Current topics in medicinal chemistry(IF=3.3). 2020. PMID:32648840. DOI: 10.2174/1568026620666200710101307.
• [11] Rohan Gupta;Devesh Srivastava;Mehar Sahu;Swati Tiwari;Rashmi K Ambasta;Pravir Kumar. Artificial intelligence to deep learning: machine intelligence approach for drug discovery.. Molecular diversity(IF=3.8). 2021. PMID:33844136. DOI: 10.1007/s11030-021-10217-3.
• [12] Mengying Sun;Sendong Zhao;Coryandar Gilvary;Olivier Elemento;Jiayu Zhou;Fei Wang. Graph convolutional networks for computational drug development and discovery.. Briefings in bioinformatics(IF=7.7). 2020. PMID:31155636. DOI: 10.1093/bib/bbz042.
• [13] Yangyang Chen;Zixu Wang;Lei Wang;Jianmin Wang;Pengyong Li;Dongsheng Cao;Xiangxiang Zeng;Xiucai Ye;Tetsuya Sakurai. Deep generative model for drug design from protein target sequence.. Journal of cheminformatics(IF=5.7). 2023. PMID:36978179. DOI: 10.1186/s13321-023-00702-2.
• [14] Eugene Lin;Chieh-Hsin Lin;Hsien-Yuan Lane. De Novo Peptide and Protein Design Using Generative Adversarial Networks: An Update.. Journal of chemical information and modeling(IF=5.3). 2022. PMID:35128926. DOI: 10.1021/acs.jcim.1c01361.
• [15] Qifeng Bai;Tingyang Xu;Junzhou Huang;Horacio Pérez-Sánchez. Geometric deep learning methods and applications in 3D structure-based drug design.. Drug discovery today(IF=7.5). 2024. PMID:38759948. DOI: 10.1016/j.drudis.2024.104024.
• [16] Angela Cesaro;Mojtaba Bagheri;Marcelo Torres;Fangping Wan;Cesar de la Fuente-Nunez. Deep learning tools to accelerate antibiotic discovery.. Expert opinion on drug discovery(IF=4.9). 2023. PMID:37794737. DOI: 10.1080/17460441.2023.2250721.
• [17] Yingjun Chen;Ding Luo;Weiwei Xue. Deep Learning for Drug-Target Interaction Prediction: A Comprehensive Review.. Chemical biology & drug design(IF=3.3). 2025. PMID:41121622. DOI: 10.1111/cbdd.70183.
• [18] Xin Zeng;Shu-Juan Li;Shuang-Qing Lv;Meng-Liang Wen;Yi Li. A comprehensive review of the recent advances on predicting drug-target affinity based on deep learning.. Frontiers in pharmacology(IF=4.8). 2024. PMID:38628639. DOI: 10.3389/fphar.2024.1375522.
• [19] Hakime Öztürk;Arzucan Özgür;Elif Ozkirimli. DeepDTA: deep drug-target binding affinity prediction.. Bioinformatics (Oxford, England)(IF=5.4). 2018. PMID:30423097. DOI: 10.1093/bioinformatics/bty593.
• [20] Qing Fan;Yingxu Liu;Simeng Zhang;Xiangzhen Ning;Chengcheng Xu;Weijie Han;Yanmin Zhang;Yadong Chen;Jun Shen;Haichun Liu. CGPDTA: An Explainable Transfer Learning-Based Predictor With Molecule Substructure Graph for Drug-Target Binding Affinity.. Journal of computational chemistry(IF=4.8). 2025. PMID:39653581. DOI: 10.1002/jcc.27538.
• [21] Haoping Wang;Xiangjie Meng;Yang Zhang. Biomolecular Interaction Prediction: The Era of AI.. Advanced science (Weinheim, Baden-Wurttemberg, Germany)(IF=14.1). 2025. PMID:40671265. DOI: 10.1002/advs.202509501.
• [22] Ming Wen;Zhimin Zhang;Shaoyu Niu;Haozhi Sha;Ruihan Yang;Yonghuan Yun;Hongmei Lu. Deep-Learning-Based Drug-Target Interaction Prediction.. Journal of proteome research(IF=3.6). 2017. PMID:28264154. DOI: 10.1021/acs.jproteome.6b00618.
• [23] Ali Vefghi;Zahed Rahmati;Mohammad Akbari. Drug-target interaction/affinity prediction: Deep learning models and advances review.. Computers in biology and medicine(IF=6.3). 2025. PMID:40609289. DOI: 10.1016/j.compbiomed.2025.110438.
• [24] Nianrui Wang;Shumin Zhao;Ziwei Li;Jianqiang Sun;Ming Yi. WDGBANDTI: A Deep Graph Convolutional Network-Based Bilinear Attention Network for Drug-Target Interaction Prediction with Domain Adaptation.. Interdisciplinary sciences, computational life sciences(IF=3.9). 2025. PMID:40410523. DOI: 10.1007/s12539-025-00714-6.
• [25] Jun-Lin Yu;Qing-Qing Dai;Guo-Bo Li. Deep learning in target prediction and drug repositioning: Recent advances and challenges.. Drug discovery today(IF=7.5). 2022. PMID:34718208. DOI: 10.1016/j.drudis.2021.10.010.
• [26] Song Lei;Xiujuan Lei;Ming Chen;Yi Pan. Drug Repositioning Based on Deep Sparse Autoencoder and Drug-Disease Similarity.. Interdisciplinary sciences, computational life sciences(IF=3.9). 2024. PMID:38103130. DOI: 10.1007/s12539-023-00593-9.
• [27] Bo-Wei Zhao;Xiao-Rui Su;Peng-Wei Hu;Yu-Peng Ma;Xi Zhou;Lun Hu. A geometric deep learning framework for drug repositioning over heterogeneous information networks.. Briefings in bioinformatics(IF=7.7). 2022. PMID:36125202. DOI: 10.1093/bib/bbac384.
• [28] Kun Li;Jiacai Yi;Qing Ye;Xixi Yang;Long Yu;YouChao Deng;Chengkun Wu;Tingjun Hou;Dejun Jiang;Dongsheng Cao. A fused deep learning approach to transform drug repositioning.. Communications chemistry(IF=6.2). 2025. PMID:41198910. DOI: 10.1038/s42004-025-01712-x.
• [29] Xiangxiang Zeng;Siyi Zhu;Xiangrong Liu;Yadi Zhou;Ruth Nussinov;Feixiong Cheng. deepDR: a network-based deep learning approach to in silico drug repositioning.. Bioinformatics (Oxford, England)(IF=5.4). 2019. PMID:31116390. DOI: 10.1093/bioinformatics/btz418.
• [30] Weidun Xie;Jixiang Yu;Lei Huang;Lek Shyuen For;Zetian Zheng;Xingjian Chen;Yuchen Wang;Zhichao Liu;Chengbin Peng;Ka-Chun Wong. DeepSeq2Drug: An expandable ensemble end-to-end anti-viral drug repurposing benchmark framework by multi-modal embeddings and transfer learning.. Computers in biology and medicine(IF=6.3). 2024. PMID:38653064. DOI: 10.1016/j.compbiomed.2024.108487.
• [31] Ramin Amiri;Jafar Razmara;Sepideh Parvizpour;Habib Izadkhah. A novel efficient drug repurposing framework through drug-disease association data integration using convolutional neural networks.. BMC bioinformatics(IF=3.3). 2023. PMID:37993777. DOI: 10.1186/s12859-023-05572-x.
• [32] Krishnendu Sinha;Nabanita Ghosh;Parames C Sil. A Review on the Recent Applications of Deep Learning in Predictive Drug Toxicological Studies.. Chemical research in toxicology(IF=3.8). 2023. PMID:37561655. DOI: 10.1021/acs.chemrestox.2c00375.
• [33] Ruiqiu Zhang;Hairuo Wen;Zhi Lin;Bo Li;Xiaobing Zhou. Artificial Intelligence-Driven Drug Toxicity Prediction: Advances, Challenges, and Future Directions.. Toxics(IF=4.1). 2025. PMID:40710970. DOI: 10.3390/toxics13070525.
• [34] Konda Mani Saravanan;Jiang-Fan Wan;Liujiang Dai;Jiajun Zhang;John Z H Zhang;Haiping Zhang. A deep learning based multi-model approach for predicting drug-like chemical compound's toxicity.. Methods (San Diego, Calif.)(IF=4.3). 2024. PMID:38702021. DOI: 10.1016/j.ymeth.2024.04.020.
• [35] Yuwei Miao;Hehuan Ma;Junzhou Huang. Recent Advances in Toxicity Prediction: Applications of Deep Graph Learning.. Chemical research in toxicology(IF=3.8). 2023. PMID:37562046. DOI: 10.1021/acs.chemrestox.2c00384.
• [36] Hongbin Yang;Lixia Sun;Weihua Li;Guixia Liu;Yun Tang. In Silico Prediction of Chemical Toxicity for Drug Design Using Machine Learning Methods and Structural Alerts.. Frontiers in chemistry(IF=4.2). 2018. PMID:29515993. DOI: 10.3389/fchem.2018.00030.

麦伴智能科研服务

轻松定制专业报告

在麦伴科研 (maltsci.com) 搜索更多文献

深度学习 · 药物设计 · 分子结构预测 · 药物靶点预测 · 药物重定位

---

© 2025 MaltSci 麦伴科研