人工神经网路，基于细胞系转录反应特征预测小分子的药理特性。

深度学习，经常作为人工智能而被提及，是机器学习的一个分支，利用多层神经元为高层次数据抽象建模，在很多任务上已经超越了人类，包括图像、文本及语音识别，自主驾驶以及其他方面，现在被应用到药物开发及生物标记的研发。

分子药剂学是美国化学学会出版的一个著名期刊，发表在分子药剂学上的一个研究：电子医学科学家和催化方案以及思维研究网络的科学家合作，例如从人类细胞系大通量实验所得的基因表达数据，训练深度神经网络预测大量药物的药用疗效。

摘要：

深度神经网络优于其他的机器学习技术，并且当类数目增多的时并不会导致性能的明显下降。

当网络产生疑惑，并猜测药物的用法可能不对之时，药物经常有双重作用，提示DNNs应用于药物再利用的可能性。

这是利用转录响应数据，将深度学习用于药物发现的第一个已知应用。

在最近接受的一篇题为“深度学习应用于药物药理特性预测以及利用转录组数据预测药物再利用”的稿件中，来自于约翰霍普金斯大学新兴科技中心电子医学领域的科学家，和催化方案以及思维研究网络的科学家合作，展示了一条应用深度神经网络（DNNs）的新途径，预测了许多药物的药理特性。在这个研究中，科学家利用从人类细胞系高通量实验所得的基因表达数据，训练深度神经网络预测了大量药物的治疗应用，科学家使用了一种复杂的方法，测量了许多通路的差分信号通路激活分数，以减少数据的维度，同时保持生物相关性。利用这些数据训练深度神经网络。

“人工智能领域发展迅速，并且影响我们日常生活的每一个方面。并且不久之后，制药行业也能体会到其进展。我们建立了 Pharma.AI分组, 明显有助于制药公司加快研发速度，并增加获得批准的药物的数量，但是在这一个过程中，我们又提出了关于肿瘤、心血管、代谢及中枢神经系统空间的800个有力假设，并且已开始了基本验证。我们对作强有力的声明持谨慎态度，但是如果这种方法奏效的话，对制药行业将大为有利，并且会产生前所未有的QALY”，电子医学公司CEO，Alex Zhavoronkov博士说道。

尽管公司是商业导向的,但是作者同意不申请这些方法的知识产权并发表概念证明。电子医学公司现在正在研发多模型深度神经网络，预测药物、小分子及天然成分的广泛特性，以便于其应用，应用范围包括：治疗普通和少见的疾病、衰老、再生医学及提高肿瘤免疫治疗的响应率。

机器学习领域最近在模式识别及计算机视觉领域取得了重大突破。正是因为深度学习，才能持续动摇机器学习其他许多领域的传统方法。最初在上世纪60年代，是受大脑如何工作的激发(至少我们在那时是如何理解它的)，深度学习现在已发展成一个成熟的工程概念。但是，研究人员仍旧对大脑感到疑惑，并且我确信，大脑中含有更多的关于未来强大方法的启发源”，思维研究网络机器学习主任，催化方案CEO，Sergey Plis博士说道。

在这个研究中，科学家使用来自于美国国家卫生院(NIH)开发的基于集成网络的细胞签名库 (LINCS)项目 A549, MCF-7 and PC-3 细胞系的678种药物扰动样本，并将这些和源自于MeSH(医学主题词表)的12种治疗用途分类联系在一起,MeSH是由NIH的国家医学图书馆(NLM)发展及维持。为了训练深度神经网路，科学家不仅利用基因水平转录组数据，也利用由通路激活分数算法处理的转录组数据，以制成一个6小时及24小时不同浓度的扰动样本汇集数据集。交叉验证试验显示：12种治疗用法分类中，每种药物DNN正确预测出其中一种用法的精确率达54.6%。这个实验的一个奇特发现是: DNNs错误分类的许多药物都有双重用途，暗示DNNs混淆矩阵可能允许应用于药物的再利用。

本月早些时候，电子医学的科学家，Putin等人，在衰老和深入学习的概述中，在一篇题为“人类年龄的深度标记：深度神经网络应用于生物标记的进展”的文章中，以及Mamoshina 等人在分子药剂学的一篇题为“深度学习在生物医学中的应用”的文章中，发表了第一个旨在预测病人健康状况的人类年龄深度学习生物标记。

 “这项研究是一个概念证明：利用转录响应特征，DNNs能被用于注释药物，但是我们将这个概念提至下一个水平。我们为硅片药物的发现研发了一个管道，它几乎可能实质性加速任何治疗药物的临床前研发阶段，并且可为硅片验证步骤生成广泛的预测名单：如果经过在体外或体内验证，几乎可以使临床实践中的药物增加一倍”，电子医学公司研究主席，研究的第一作者 Alex Aliper说道。