教授，博士生導(dǎo)師。先后就讀蘭州大學(xué)生物化學(xué)專業(yè)、新疆大學(xué)藥物資源專業(yè)，獲德國柏林自由大學(xué)分子生物學(xué)專業(yè)理學(xué)博士學(xué)位。兼任中國藥學(xué)會應(yīng)用藥理專業(yè)委員會副主任委員、中國藥理學(xué)會制藥工業(yè)委員會副主任委員兼秘書長，江蘇省動物協(xié)會實驗動物專業(yè)委員會的主任委員。作為課題負(fù)責(zé)人榮獲 2003、2005、2013 年度省級科技進(jìn)步二等獎，曾獲新疆維吾爾自治區(qū)人民政府頒發(fā)的“青年科技獎”，教育部“新世紀(jì)優(yōu)秀人才支持計劃”，江蘇省“六大人才高峰”計劃，中科院“百人計劃”。目前是中國藥科大學(xué)“皮膚健康及疾病干預(yù)”研究平臺負(fù)責(zé)人，生物與醫(yī)藥專業(yè)化妝品與皮膚健康方向研究生專業(yè)負(fù)責(zé)人。先后連續(xù)主持“九五”、“十五”、“十一五”、“十二五”、“十三五”5 項國家重大新藥創(chuàng)制專項的新藥開發(fā)項目；主持國家自然科學(xué)基金 3 項。截至目前，出版專著 2 部，其中英文 1 部，發(fā)表論文 161 余篇， 其中 SCI 收錄論文 71 篇；作為第一申請人申請專利 20 余項， 授權(quán)國內(nèi)專利 8 項，申請國際專利 11 項，PCT 專利 4 項，授權(quán)國際專利 6 項。主持完成 3 個中藥、天然藥 5 類的創(chuàng)新藥臨床前研究。作為主要完成人研制的驅(qū)蟲斑鳩菊注射液（國藥準(zhǔn)字 Z20063652）已實現(xiàn)產(chǎn)值 4.68億元。

廖俊，徐潔潔，皮志，竇智揚，尚靖 * 

（ 中國藥科大學(xué)理學(xué)院，江蘇 南京 211198；中國藥科大學(xué)中藥學(xué)院，江蘇 南京 211198）

[摘要]近年來以深度學(xué)習(xí)為代表的人工智能技術(shù)與醫(yī)學(xué)、藥學(xué)等多個領(lǐng)域深度融合。深度學(xué)習(xí)被應(yīng)用于蛋白質(zhì)結(jié)構(gòu)與功能預(yù)測、藥物靶點預(yù)測、藥物代謝動力學(xué)性質(zhì)預(yù)測、藥物有效性及安全性預(yù)測以及藥物相互作用預(yù)測等多個藥物研發(fā)環(huán)節(jié)，取得了顯著成就，提高研發(fā)效率的同時降低臨床前試驗以及臨床試驗相關(guān)的成本和風(fēng)險。通過總結(jié)多種深度學(xué)習(xí)方法在藥物研發(fā)各個過程中的具體應(yīng)用及分析不同深度學(xué)習(xí)方法在藥物研發(fā)中的應(yīng)用特點，闡述了深度學(xué)習(xí)在藥物研發(fā)中現(xiàn)存的一些問題并做出展望，以期為進(jìn)一步研究提供借鑒的思路和方法。

藥物研發(fā)過程主要包括藥物靶點確定、先導(dǎo)化合物的發(fā)現(xiàn)與優(yōu)化、候選藥物確定、臨床前研究和臨床研究。整個藥物研發(fā)進(jìn)程，就是在驗證某個靶點在人體中的生物學(xué)功能的過程。而藥物靶點的缺乏、動物模型臨床轉(zhuǎn)化差、疾病異質(zhì)性及生物系統(tǒng)內(nèi)在的復(fù)雜性等問題，使得藥物研發(fā)成為一個漫長而又艱難的過程。開發(fā)一種新型處方藥，平均稅前支出約為 25.58 億美元，大約需要 10 ~ 15 年。盡管投入成本高，但在藥物研發(fā)過程中創(chuàng)新小分子的臨床批準(zhǔn)成功率卻只有 13%，失敗的風(fēng)險相對較高。早期藥物發(fā)現(xiàn)主要基于經(jīng)驗嘗試，化合物篩選以及偶然發(fā)現(xiàn)獲得。在現(xiàn)代藥物研發(fā)中，機器學(xué)習(xí)在定量結(jié)構(gòu)-活性關(guān)系（quantitative structure activityrelationship，QSAR）模型、定量結(jié)構(gòu)-性質(zhì)關(guān)系（quantitative structure property relationship，QSPR）模型等方面發(fā)揮重要作用。不同于傳統(tǒng)的機器學(xué)習(xí)方法使用手動設(shè)計的特征，最新的深度學(xué)習(xí)（deeplearning，DL）方法可以自動從輸入數(shù)據(jù)中學(xué)習(xí)特征，通過多層特征提取將低層特征轉(zhuǎn)換為高層特征。由于其強大的泛化和特征提取能力，將其應(yīng)用在藥物開發(fā)的不同環(huán)節(jié)，包括蛋白質(zhì)結(jié)構(gòu)與功能預(yù)測、藥物代謝動力學(xué)性質(zhì)預(yù)測、藥物有效性及安全性預(yù)測以及藥物相互作用預(yù)測等，顯示出巨大的前景。本綜述回顧了近幾年來 DL 在藥物研發(fā)中的應(yīng)用，并對當(dāng)前問題提出建議以及展望。

1深度學(xué)習(xí)與藥物研發(fā)數(shù)據(jù)

DL 的概念由 Hinton 等于 2006 年提出，其概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。DL 的結(jié)構(gòu)是一種含多隱層的多層感知器結(jié)構(gòu)，其通過組合底層特征形成更加抽象的高層來表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。DL 理論中包含了許多不同的深度神經(jīng)網(wǎng)絡(luò)模型，例如經(jīng)典的深層神經(jīng)網(wǎng)絡(luò)（deepneural network，DNN）、深層置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）、深層玻 爾 茲 曼 機（deep boltzmann machines，DBM）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）等。不同結(jié)構(gòu)的網(wǎng)絡(luò)適用于處理不同的數(shù)據(jù)類型，例如CNN 適用于圖像處理，RNN 適用于語音識別等。同時，通過與不同算法的聯(lián)用這些網(wǎng)絡(luò)模型還會產(chǎn)生一些不同的變種。 

目前正處在醫(yī)藥產(chǎn)業(yè)發(fā)展的關(guān)鍵節(jié)點，由于新藥物靶點和作用機制的發(fā)現(xiàn)越來越難，新藥研發(fā)需要投入更多的資金和精力。提升研發(fā)效率和深度挖掘已有數(shù)據(jù)來發(fā)現(xiàn)新的規(guī)律是解決該問題的有效途徑之一，而 DL 在這 2 個方面都可以有廣泛的應(yīng)用，因此許多制藥公司和藥物研發(fā)機構(gòu)都將 DL 方法用于輔助藥物研發(fā)。例如：Berg 公司基于人工智能的Interrogative Biology 平臺技術(shù)通過分析海量病人和正常人樣本（如蛋白相互作用網(wǎng)絡(luò)）來尋找治療疾病的新靶點和診斷疾病的生物標(biāo)志物，以 Berg 公司進(jìn)行腫瘤藥物研究為例，通過收集大量生物樣本，如血液、腫瘤組織或腫瘤患者的尿液，同時也收集捐助者的健康組織樣本。研究人員會創(chuàng)建細(xì)胞株，然后將其放進(jìn)不同的模擬患者發(fā)病時的實際狀態(tài)環(huán)境下進(jìn)行觀察，有比如低氧環(huán)境，高血糖患者細(xì)胞及腫瘤細(xì)胞喜歡生活的環(huán)境。細(xì)胞株建立之后，對其中的基因、蛋白質(zhì)、代謝物和脂肪進(jìn)行標(biāo)識并形成節(jié)點，不同節(jié)點的重要程度不同，重要程度越高與疾病的關(guān)聯(lián)越大。Narain 等 [7] 曾基于此平臺介導(dǎo)發(fā)現(xiàn)胰腺癌的檢測、分層和預(yù)后的分子標(biāo)記；IBMWatson 為 IBM 旗下的認(rèn)知計算系統(tǒng)，技術(shù)平臺。認(rèn)知計算代表一種全新的計算模式，它包含信息分析，自然語言處理和機器學(xué)習(xí)領(lǐng)域的大量技術(shù)創(chuàng)新。該新藥發(fā)現(xiàn)系統(tǒng)通過自然語言處理技術(shù)分析海量文獻(xiàn)，尋找潛在的關(guān)聯(lián)性來預(yù)測新的假說推動新藥研發(fā)；Engine Biosciences[9]，也是利用人工智能技術(shù)來進(jìn)行老藥新用、新靶點開發(fā)以及精準(zhǔn)醫(yī)療等服務(wù)的互聯(lián)網(wǎng)產(chǎn)品。圖 1 列舉了目前 DL 在藥物研發(fā)不同階段已經(jīng)取得成果的相關(guān)應(yīng)用。

2調(diào)節(jié)三酰甘油水平及相關(guān)藥物

2.1 蛋白質(zhì)結(jié)構(gòu)與功能

蛋白質(zhì)的功能研究在生命科學(xué)中占據(jù)重要的地位，大多數(shù)疾病的發(fā)生都與蛋白質(zhì)功能障礙有關(guān)。1973 年，Anfinsen發(fā)現(xiàn)變性的只保留了一級結(jié)構(gòu)的核糖核酸酶可以重新折疊并恢復(fù)生物活性，說明代表蛋白質(zhì)一級結(jié)構(gòu)的氨基酸序列中隱含了蛋白質(zhì)二級、三級結(jié)構(gòu)的信息。而蛋白質(zhì)二級結(jié)構(gòu)預(yù)測又可為蛋白質(zhì)三維結(jié)構(gòu)預(yù)測和蛋白質(zhì)功能預(yù)測提供重要信息。因此從一級氨基酸序列預(yù)測二級結(jié)構(gòu)及蛋白質(zhì)的性質(zhì)是藥物研發(fā)中的重要任務(wù)。表 1 簡要列舉了 DL 在蛋白質(zhì)結(jié)構(gòu)和功能預(yù)測中的應(yīng)用。

盡管近年來 X-射線晶體學(xué)和冷凍電鏡技術(shù)的不斷發(fā)展在蛋白質(zhì)結(jié)構(gòu)解析上獲得突破，但其檢測蛋白質(zhì)的成本過高，利用 DL 對蛋白質(zhì)進(jìn)行預(yù)測顯然是一個更高效的方法。通過對數(shù)據(jù)庫提供的蛋白質(zhì)數(shù)據(jù)特征提取，預(yù)測出蛋白質(zhì)結(jié)構(gòu)與功能，為解決蛋白質(zhì)結(jié)構(gòu)和功能的預(yù)測問題提供了可能的途徑，并在蛋白質(zhì)結(jié)構(gòu)和功能預(yù)測方面取得了較好的結(jié)果。

2.2活性藥物靶點的確定

藥物靶點與疾病或生物分子的病理狀態(tài)相關(guān)，藥物靶點的確定是藥物研究和開發(fā)的基礎(chǔ)。傳統(tǒng)的藥物發(fā)現(xiàn)主要遵循“一種藥物，一種靶點，一種疾病”的觀念，最近越來越多的研究人員接受了藥物靶點是多種靶蛋白的觀點，并且多種靶蛋白傾向于出現(xiàn)在同一種疾病中。因此，如何快速準(zhǔn)確地識別藥物與靶點之間復(fù)雜的相互作用已成為藥物開發(fā)的關(guān)鍵。 

Pu 等采用 CNN 訓(xùn)練檢測和分類核苷酸與血紅素結(jié)合位點，準(zhǔn)確度達(dá)到了 95%，且實驗?zāi)Ｐ湍軌蛲茝V到類固醇結(jié)合蛋白和肽酶。Hamanaka 等提出的 DL 模型在檢測藥物活性靶點時可以在保證 98.2% 的準(zhǔn)確率的情況下對 400 萬個數(shù)據(jù)進(jìn)行計算。Wen 等首先對未處理的原始數(shù)據(jù)進(jìn)行預(yù)處理，標(biāo)記出已知的藥物靶點相互作用，然后應(yīng)用已知的標(biāo)記過的藥物靶點對來訓(xùn)練分類模型，該模型的 10-折交叉驗證的曲線下面積（area under curve，AUC）得分為 0.915 8±0.005 9，該得分越趨近于 1 則說明效果越好，該模型可進(jìn)一步用于預(yù)測新靶點。

Tian 等通過分層抽象學(xué)習(xí)藥物靶點對的有用特征，在平衡和不平衡數(shù)據(jù)集（平衡數(shù)據(jù)集是指各個樣本數(shù)量差距不大，而不平衡數(shù)據(jù)集則相反，在一些模型中數(shù)據(jù)集是否平衡對預(yù)測結(jié)果有著不同影響）上的預(yù)測性能均比現(xiàn)有方法更好。Tsubaki等結(jié)合化合物的圖形神經(jīng)網(wǎng)絡(luò)（graph neuralnetwork，GNN）和蛋白質(zhì)的 CNN 開發(fā)了新的復(fù)合蛋白相互作用預(yù)測技術(shù)。此外，所提出的方法在不平衡數(shù)據(jù)集上明顯優(yōu)于現(xiàn)有方法。這表明由端到端GNN 和 CNN 獲得的化合物和蛋白質(zhì)的數(shù)據(jù)驅(qū)動表示比從數(shù)據(jù)庫獲得的傳統(tǒng)化學(xué)和生物學(xué)特征更穩(wěn)健。Zong 等采用 DL 算法 DeepWalk 基于異構(gòu)拓?fù)溆嬎闼幬?藥物和靶點-靶點的相似性，基于“牽連犯罪”原則推斷藥物靶點關(guān)聯(lián)，AUC得分為0.989 6。 

Xie 等基于藥物干擾和基因敲除試驗收集的藥物和藥物對，靶點和靶點對的相似性數(shù)據(jù)庫L1 000 中的轉(zhuǎn)錄組數(shù)據(jù)提出了活性藥物靶點的確定（drug target identification，DTI） 預(yù) 測 框 架，訓(xùn)練集達(dá)到 98% 以上的準(zhǔn)確率，驗證集準(zhǔn)確率為 90.53%±1.44%。同時使用其他 DTI 數(shù)據(jù)庫如STITCH、 DGIdb 以及 CTD 驗證了模型預(yù)測新 DTI的能力，均取得較好的結(jié)果。 

計算機在處理復(fù)雜運算方面具有天然優(yōu)勢，而DL 可以進(jìn)一步發(fā)現(xiàn)對象之間的隱性聯(lián)系。DL 的方法應(yīng)用于復(fù)雜的藥物與多靶點作用問題，通過合適的網(wǎng)絡(luò)模型得到潛在靶點，將大大提高藥物靶點研究的效率。

2.3 藥物代謝動力學(xué)分析 

藥物代謝動力學(xué)（pharmacokinetics，PK）分析是藥物研發(fā)過程的重要組成部分，調(diào)查顯示大約一半的候選藥物由于 PK 性質(zhì)或毒性不令人滿意而無法進(jìn)入市場。DL 正是 PK 分析的一項重要技術(shù)手段。 

圖 2 分別從藥物的吸收、分布、代謝與毒性幾個方面舉例了 DL 應(yīng)用。以 PK 的關(guān)鍵性質(zhì)之一水溶性為例，藥物的水溶性將直接影響化合物在生物體中的吸收。Li 等建立了基于半監(jiān)督學(xué)習(xí)模型的多層深度信念網(wǎng)絡(luò) ( deep belief network，DBN) 來預(yù)測化合物的水溶性，準(zhǔn)確率達(dá)到 85.9%。不只是吸收分布的 PK 性質(zhì)，候選藥物的代謝毒性也是其后續(xù)能否成藥的關(guān)鍵因素。分析 1 824 種美國 FDA 批準(zhǔn)的藥物，其中 29.6% 的藥物經(jīng)計算確定具有潛在的hERG(human ether-à-go-go-related gene)抑制活性，突出了hERG風(fēng)險評估在早期藥物發(fā)現(xiàn)中的重要性。為了在藥物發(fā)現(xiàn)階段和上市后監(jiān)測中對 hERG 介導(dǎo)的心臟毒性進(jìn)行風(fēng)險評估，Cai 等開發(fā)了一種DNN 模型用于預(yù)測藥物發(fā)現(xiàn)和上市后監(jiān)測過程中小分子的 hERG 阻滯劑。在驗證集中，最佳模型的AUC 為 0.967。

DL 為以傳統(tǒng)模型為基礎(chǔ)的 PK 分析帶來了新的模型以及新的分析方式，并且就特定的問題給出了更為精確的答案。

2.4 藥物相互作用 

當(dāng)藥物與另一種藥物共同服用時，此藥物的預(yù)期功效可以發(fā)生顯著改變。因此，了解 DDI 對于減少意外的不良藥物事件（adverse drug event，ADE）的發(fā)生以及在治療疾病時產(chǎn)生最大化協(xié)同效益至關(guān)重要。另外由 DDI 引起的 ADR 是藥物退出市場的主要原因之一。隨著用于疾病治療的多種藥物（至少 2 種藥物）的處方數(shù)量持續(xù)增加，了解 DDI 的意義越來越大。探索用于檢測相互作用藥物的大量藥物組合的最實用方法是通過計算機DDI 檢測。

雖然一些已知的 DDI 可以在專門建立的數(shù)據(jù)庫中找到，但大多數(shù)信息仍然埋藏在文獻(xiàn)中。因此，迫切需要從生物醫(yī)學(xué)文本中自動提取 DDI。為了檢驗僅使用字嵌入作為輸入特征的 CNN 是否可以成功應(yīng)用于生物醫(yī)學(xué)文本中的 DDI 分類，SuárezPaniagua 等 [29] 提出僅具有一個隱藏層的 CNN 架構(gòu)，使得模型在計算上更有效。Jari 等使用 CNN同時提取事件和關(guān)系，與不同的向量空間嵌入一起應(yīng)用于各種文本分類任務(wù)。Zhao 等提出語法卷積神經(jīng)網(wǎng)絡(luò)（syntax convolutional neural network ，SCNN），基于單詞嵌入、語法單詞嵌入來使用句子的句法信息，引入位置和詞性特征以擴(kuò)展每個單詞的嵌入，引入自動編碼器來編碼傳統(tǒng)的特征文本詞袋（稀疏 0-1 向量）作為全連接向量。 

除 CNN 外 RNN 也常用于生物醫(yī)學(xué)關(guān)系提取，Zhang 等基于候選句子的依賴圖生成最短依賴路徑（shortest dependent path，SDP），將 SDP 劃分為依賴詞序列和關(guān)系序列。RNN 和 CNN 分別用于自動學(xué)習(xí)句子序列和依賴序列的特征。最后，將 RNN 和CNN的輸出特征結(jié)合起來檢測和提取生物醫(yī)學(xué)關(guān)系。 

Sahu 等提出了 3 種長短時記憶模型（longshort-term memory，LSTM） 網(wǎng) 絡(luò) 模 型， 即 雙 向長 短 時 記 憶 網(wǎng) 絡(luò)（bi-directional long short-termmemory，Bi-LSTM），基于 Attention 模型的 BiLSTM（attention based bi-directional long short-termmemory，AB-LSTM）和基于聯(lián)合模型的 AB-LSTM（joint attention based bi-directional long short-termmemory，joint AB-LSTM）。這 3 種模型都使用文字和位置嵌入作為潛在特征。此外，使用 Bi-LSTM網(wǎng)絡(luò)允許從整個句子中提取隱含特征。2 個模型AB-LSTM 和 joint AB-LSTM 也在 Bi-LSTM 層輸出中應(yīng)用注意池，以便為特征分配權(quán)重。 

Song 等利用支持向量機模型 (support vectormachine，SVM) 建立了一個機器學(xué)習(xí)模型。所建立的相似性測度包括二維分子結(jié)構(gòu)相似性、三維結(jié)構(gòu)相似度、相互作用指紋圖譜相似性、靶標(biāo)相似性和ADE 相似性。根據(jù)所建立的 5 種相似性度量方法，將已知有作用的藥物和可能有作用的藥物進(jìn)行處理，使結(jié)構(gòu)以數(shù)據(jù)形式表示，并將處理結(jié)果作為 SVM的輸入向量。SVM 模型建立的思路以及所用數(shù)據(jù)庫如圖 3 所示。最終，此 SVM 模型預(yù)測準(zhǔn)確率達(dá)到0.97，遠(yuǎn)高于之前的 DDI 模型。

2.5 藥物不良反應(yīng) 

ADR 是一個嚴(yán)重的問題，即盡管給予常規(guī)劑量的藥物，但仍會出現(xiàn)不良反應(yīng)。據(jù)估計，住院患者中有超過 200 萬例發(fā)生嚴(yán)重 ADR，每年導(dǎo)致大于 100 000 例患者死亡。因此識別或預(yù)測潛在的ADR 顯得尤為重要，表 2 介紹了 4 個 DL 在 ADR方面的應(yīng)用，并對各自的結(jié)果進(jìn)行了簡要評價。

DL 幫助科研人員從龐大復(fù)雜的 ADR 報告中篩選并識別了可能具有臨床價值的 ADR，輔助藥物的應(yīng)用并且可能會揭示未知的藥物代謝途徑。

3結(jié)語與展望

人工智能通過分析海量的文獻(xiàn)、專利和臨床結(jié)果，找出潛在的、被忽視的通路、蛋白和機制等與疾病的相關(guān)性，從而提出新的可供測試的假說，通過實驗驗證已經(jīng)取得一定的成果，并顯著提高新藥研發(fā)流程中某些階段的效率。值得注意的是，DL 提供了一種新的方法來探索基因組變異與藥物基因組學(xué)研究中的多種事件之間的復(fù)雜關(guān)聯(lián)，為全基因組關(guān)聯(lián)分析的數(shù)據(jù)復(fù)雜性提供有效的解決方案。但是目前DL并不能直接預(yù)測一個化合物能否成為藥物，DL 在發(fā)現(xiàn)藥物研發(fā)新機制和新靶點上的突破仍然面臨以下挑戰(zhàn)： 

1）基于大數(shù)據(jù)的人工智能，擅長的是對已有知識的挖掘、重新組織和分配，為 DL 算法提供大量數(shù)據(jù)，并且將需要解決的問題正確地呈現(xiàn)出來，它們才有可能捕捉到人類無法捕捉到的規(guī)律，在海量的數(shù)據(jù)中尋找已有知識的關(guān)聯(lián)性。在新藥研發(fā)過程中，新藥研發(fā)規(guī)則不明確，數(shù)據(jù)不明晰甚至含有錯誤信息，而且充滿了高度不確定性等問題，給以高質(zhì)量標(biāo)識數(shù)據(jù)集為基礎(chǔ)的 DL 人工智能帶來巨大的挑戰(zhàn)； 

2）DL 依賴于高質(zhì)量、有標(biāo)識的大數(shù)據(jù)集。例如：Santos 等統(tǒng)計了美國 FDA 批準(zhǔn)的 1 578 個藥物總共的靶點數(shù)目是 667 個，而 Ensembl 數(shù)據(jù)庫標(biāo)注的潛在藥物靶點就有 4 479 個 , 藥物靶點數(shù)據(jù)庫(therapeutic target database，TTD) 含有 2 360 個可成為藥物靶點的分子信息，包括 388 個已有相應(yīng)藥物上市的、461 個處于臨床試驗階段的以及其他正在研究的和已停止研究的藥物的靶點信息，由于數(shù)據(jù)庫涵蓋面不同，信息來源亦不同，導(dǎo)致有實驗支持的信息和預(yù)測的信息混雜在一起，藥物和靶點的命名也未采用統(tǒng)一規(guī)則，如何整合成 DL 依賴的靶點數(shù)據(jù)是關(guān)鍵；

3）DL 是非常出色的算法工具，能夠?qū)W習(xí)數(shù)據(jù)，但無法判斷數(shù)據(jù)準(zhǔn)確性，尤其是遇到不常見的情況時，它缺乏靈活性，表現(xiàn)并不算好。同時存在無法修正學(xué)習(xí)結(jié)果，除非重新訓(xùn)練的問題； 

4）DL 的內(nèi)部機制一直是困擾現(xiàn)今科學(xué)家的難題，DL 是一個“黑箱”，藥物在人體中作用的機制是另一個“黑箱”。通過 DL 研究藥理問題被視為用一個“黑箱”代替另一個“黑箱”，也就是說DL 并沒有實際解決藥物機制這一重大難題。即 DL僅展示了可能的結(jié)果，而沒找到真正的因果關(guān)系； 

5）DL 的評價機制仍然存在欠缺。DL 具備發(fā)現(xiàn)隱藏在復(fù)雜的生物系統(tǒng)下的各種關(guān)系的能力，幫助藥物研發(fā)找到了一個模型來解釋生物復(fù)雜系統(tǒng)中發(fā)生的事情，但模型預(yù)測結(jié)果依然需要實驗驗證。如何用少量合適的實驗使得藥物研發(fā)人員進(jìn)行有效驗證和評價 DL 的結(jié)果是一個待解決的問題。 

綜上，面對藥物研發(fā)需要解決的問題的多樣性也需要有更為靈活和細(xì)致入微的思考方式，構(gòu)建適合藥物研發(fā)各階段的特殊 DL 模型，并且將這些模型整合才能在未來實現(xiàn)智能的藥物研發(fā)。

● 想回顧《藥學(xué)進(jìn)展》編委會主辦和協(xié)辦過的精彩活動嗎？請戳這里！

→ 

→ 

→ 

→ 

→ 

→ 

→ 

→  

→  

→  

點一下你會更好看耶