计算机辅助分子设计中的深度学习和基于知识的方法——迈向统一途径：现状与未来方向
生物大分子
2020-07-13 v2 机器学习
化学物理
机器学习
摘要
通过在分子层面操控性质来优化化合物设计，往往是重大科学进展和工艺系统性能提升的关键。本文强调了支撑计算机辅助分子设计（CAMD）问题的关键趋势、挑战与机遇。首先简要回顾了知识驱动的物性估算方法及求解技术，以及相应的 CAMD 工具与应用。鉴于基于知识的方法与技术所困扰的计算挑战，我们综述了当前深度学习在分子设计中的最先进应用，将其作为克服计算限制和探索化学空间未知领域的富有成效的途径。本综述的重点置于不同深度学习架构和不同分子表示下的分子深度生成建模。此外，强调了在构建深度学习模型中基准测试和实证严谨性的重要性。该综述文章还详细讨论了基于知识和数据驱动的 CAMD 的当前观点与挑战，并确定了未来研究的关键方向。特别强调了混合建模范式这一富有成效的途径，其中在利用积累的丰富的知识驱动 CAMD 方法和工具的同时，发挥深度学习方法的作用。
引用
@article{arxiv.2005.08968,
title = {Deep Learning and Knowledge-Based Methods for Computer Aided Molecular Design -- Toward a Unified Approach: State-of-the-Art and Future Directions},
author = {Abdulelah S. Alshehri and Rafiqul Gani and Fengqi You},
journal= {arXiv preprint arXiv:2005.08968},
year = {2020}
}