药物设计的深度学习(Deep Learning for Drug Design)

 翻译《Deep Learning for Drug Design: an Artificial Intelligence Paradigm for Drug
Discovery in the Big Data Era》

摘要

        过去的十年中，深度学习（deeplearning, DL）方法已经非常成功并广泛用于开发几乎每个领域的人工智能（AI）。与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。本综述主要讨论了监督学习和非监督学习等几种最强大和主流的体系结构，包括卷积神经网络（CNN）、递归神经网络（RNN）和深度自动编码器网络（DAENs），总结了小分子药物设计中的大部分代表性应用；并简要介绍了如何在这些应用程序中使用DL方法。还强调了关于DL方法利弊的讨论以及我们需要解决的主要挑战。

一、背景

        与深蓝相比，IBM开发的chessplaying计算机第一次在20世纪90年代击败世界冠军，AlphaGo集成了一种被称为卷积神经网络（CNN）的先进创新架构，该架构是在神经网络（NN）中的深度学习（DL）算法最成功的实现之一。受益于大数据分析的兴起以及大规模计算能力的发展，特别是图形处理单元（GPU）计算的发展，使用深度学习体系结构已成为应对AI挑战的首要尝试技术。

        深度学习被称为人工神经网络（ANN）的传统机器学习（ML）算法的重新命名，其是为了模仿人类中枢神经系统（CNS）而由连接的人造神经元组成的网络系统。早期，人工神经网络不是