英国与瑞士科学家合作开发了一种机器学习模型，该模型能部分重现职业化学家在工作中积累的集体知识，这类知识通常被称为“化学直觉”。该研究或使今后的药物研发更高效。相关研究11月1日发表于《自然—通讯》。
传统上，药物与化学发现需要依靠试错实验和研究人员在工作中积累的知识。使用模拟工具，尤其是机器学习，能让研究人员更快地发现候选分子，极大降低发现新药用化合物的成本。
如果要用机器学习预测分子性质，分子就必须还原到数学表达，这通常包含一组性质或“特征”。确定正确特征是这些数据驱动性能预测模型成功的关键。
英国剑桥微软研究院科学智能中心的nikolaus stiefl和瑞士诺华生物医学研究所的jose jimenez-luna与合作者让35名医学化学家各自从5000对分子中选择自己更偏向的分子，再用他们的回答做成排序游戏来训练一个机器学习模型，随后让这个模型给分子打分。这个分数基本不受该领域之前作为特征的其他性质的影响，因为这来自行业内多年的知识积累。
研究者提议的模型还能用来改变数学模型的推荐，从而更好地匹配化学家的集体专业知识，有望在今后早期药物研发中缩短迭代时间。他们认为，这种方法或能在药物研发中作为对分子建模的补充。（来源：中国科学报 晋楠）
相关论文信息：
