小数据,大挑战:机器和深度学习策略用于数据有限的药物发现

科学领域:

• 计算化学是一种计算化学.
• 药理学 药理学是指药理学的学科.
• 生物信息学是一种生物信息学.

背景情况:

• 药物发现和开发 (DDD) 管道受到高质量的实验数据稀缺的严重阻碍,这是由于高成本,时间和保密性而造成的常见问题.
• 标准机器学习 (ML) 和深度学习 (DL) 算法与小数据集作斗争,导致特征提取和模型概括方面的挑战.
• 在药物发现中对人工智能的现有评论往往忽视了整个DDD管道中有限数据所带来的具体挑战.

研究的目的:

• 为应对药物发现和开发 (DDD) 管道中有限数据的关键挑战.
• 在数据稀缺性普遍存在的关键药物发现任务中进行调查.
• 综合传统的ML和先进的DL策略,专门适应DDD中的小数据集.

主要方法:

• 审查现有的关于AI在药物发现中的应用文献,重点关注小数据问题.
• 分析传统的ML和DL模型在适用于小数据集时的局限性.
• 识别和分类针对克服各种DDD任务数据稀缺性的ML和DL方法.

主要成果:

• 有限的数据是药物发现和开发管道的多个阶段中普遍存在的问题.
• 传统的ML方法适用于小数据,但缺乏表示能力,而DL方法有过度匹配的风险.
• 适应的DL策略和扩展的传统ML方法显示出在DDD中处理小数据集的前景.

结论:

• 解决小数据问题对于推动AI在药物发现和开发方面至关重要.
• 将特定任务的应用程序与方法创新的整合是开发强大和可通用的AI模型的关键.
• 未来的研究应该集中在创造可解释和可信赖的AI解决方案上,这些解决方案可以有效地利用DDD中的有限数据.