利用人工智能技术进行小分子设计以及新药研发是制药领域的热点研究问题之一。人工智能技术有望缩短药物研发时间，减少药物研发成本。近日，刘琦教授课题组受邀在国际计算化学领域著名期刊WIREs系列刊物《WIREs Computational Molecular Science》发表长文，系统探讨了基于深度生成模型(Deep Generative Models)进行药物研发的计算问题。深度生成模型是近年来人工智能领域的重点研究技术之一。其有别于机器学习领域的判别模型，通过对于样本空间的分布进行刻画，可以完成诸如样本采样、密度估计以及样本的自动生成和特征提取等任务。在新药研发领域，有望结合深度生成模型技术进行小分子的de novo生成，用以快速有效的生成具有全新结构以及特定属性的小分子，故具有广泛的应用前景。传统生成模型在建模过程中存在诸如分布学习难度大，参数估计困难等若干挑战，生成模型和深度学习的融合一定程度上为克服这些问题带来了新的解决思路。在本工作中，作者首次提出从变分自编码器（VAE）、对抗自编码器（AAE）、生成对抗网络(GAN)以及混合模型（生成模型加强化学习，Reinforcement Learning）四个不同层面（图一）对于该研究领域进行了分类，并且系统探讨了其在药物小分子生成领域的应用。本研究进而从小分子的指纹描述和图结构描述、生成模型的基准比较、深度生成模型的开源平台获取以及基于深度生成模型的图像生成和小分子生成类比四个方面对于该领域的若干开放问题进行了深入探讨。该论文的研究和总结对于基于人工智能技术进行药物研发提供了新颖而重要的启示和指导。  

   
图一：深度生成模型的具体分类       

       刘琦教授课题组以AI和机器学习计算技术为基础，重点关注于药物研发、肿瘤精准治疗及基因编辑领域的交叉计算问题研究，同时积极进行计算机科学和生物医学交叉领域的科普宣传。本工作由同济大学生物信息系、同济附属第十人民医院以及中国科学技术大学附属第一医院药剂科相关科研人员合作完成。本论文工作得到了国家科技部重点研发计划精准医学重大专项，慢病专项，国家自然科学基金和上海市科委的基金项目资助。