典型文献
深度学习在药物活性预测研究中的应用
文献摘要：
药物从研发到临床应用需要耗费较长的时间,研发期间的投入成本可高达十几亿元.而随着医药研发与人工智能的结合以及生物信息学的飞速发展,药物活性相关数据急剧增加,传统的实验手段进行药物活性预测已经难以满足药物研发的需求.借助算法来辅助药物研发,解决药物研发中的各种问题能够大大推动药物研发进程.传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度.深度学习由于具有多层神经网络,模型可以接收高维的输入变量且不需要人工限定数据输入特征,可以拟合较为复杂的函数模型,应用于药物研发可以进一步提高各个环节的效率.在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络(deep neural networks,DNN)、循环神经网络(recurrent neural networks,RNN)和自编码器(auto encoder,AE),而生成对抗网络(generative adversarial networks,GAN)由于其生成数据的能力常常被用来和其他模型结合进行数据增强.近年来深度学习在药物分子活性预测方面的研究和应用综述表明,深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法.因此,深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型.
文献关键词：
机器学习;深度学习;分子药物;活性预测
中图分类号：
作者姓名：
刘利梅;陈晓晋;孙世伟;王宇;王辉;梅树立;王耀君
作者机构：
中国农业大学信息与电气工程学院,北京100083;中国科学院计算技术研究所,北京100190
文献出处：
引用格式：
[1]刘利梅;陈晓晋;孙世伟;王宇;王辉;梅树立;王耀君-.深度学习在药物活性预测研究中的应用)[J].生物化学与生物物理进展,2022(08):1498-1519
A类：
B类：
药物活性,活性预测,预测研究,发到,耗费,投入成本,十几亿,几亿元,医药研发,活性相,实验手段,药物研发,辅助药物,机器学习方法,人工神经网络,多层神经网络,高维,输入特征,函数模型,深度学习模型,深度神经网络,deep,neural,networks,DNN,循环神经网络,recurrent,RNN,自编码器,auto,encoder,AE,生成对抗网络,generative,adversarial,GAN,数据增强,药物分子,研究和应用,应用综述,传统实验,实验方法,研发领域,分子药物
AB值：
0.387218
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
