利用循环神经网络预测药物分子的副作用

分子性质（如副作用）的识别与验证是分子合成过程中最重要且最耗时的步骤之一。例如，在向监管机构提交前未能识别副作用，可能使公司耗费数百万美元并额外进行数月研究；在监管审查期间未能识别副作用，甚至可能危及生命。该任务的复杂性与高昂成本使其成为基于机器学习解决方案的候选对象。已有方法依赖复杂的模型设计与过量的参数量来预测副作用。我们认为依赖复杂模型只是将困难从化学家身上转移，而非缓解问题。在没有高性能计算机的前提下，部署大型模型同样代价高昂。我们提出一种启发式方法，可使用简单神经网络（具体而言为循环神经网络），与现有大语言模型相比所需参数减少 98% 以上，同时仍取得与顶尖模型几乎一致的结果。