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（Machine Learning，ML），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。

2023年10月31日，诺华生物医学研究所和微软研究院科学智能中心的研究人员合作，在 Nature Communications 期刊发表了题为：Extracting medicinal chemistry intuition via preference machine learning 的研究论文。

该研究报道了一种机器学习模型，该模型能够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”（chemistry intuition）。作者认为，该研究或使今后的药物研发更高效。

论文地址：https://www.nature.com/articles/s41467-023-42242-1

在这项研究中，研究团队让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。

团队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。研究团队认为，这种方法或能在药物研发中作为对分子建模的补充。

更多内容请看论文原文。

添加官方微信 openai178 ，领取论文原文PDF

文章来自 “ nature ”