AI和药物发现：攻击正确的问题

Warning: Can only detect less than 5000 characters

在某些情况下，在某些情况下，需要做出足够质量的决策的必要性才能达到这一目标。如果我们想要推进药物发现，那么承认给定终点的适用性才能回答给定的问题至少与建模特定终点一样重要。 。 。

问题是，建模比处理适合性问题更容易开始。它也可能更难向投资者解释，向授予机构以及上层管理，因为分析质量和目标选择等事情更难量化并慢​​慢来。对我来说，这是迫在眉睫的大问题，迫在眉睫的药物发现的方法，我很高兴看到一个纸张寻求正面的纸张。

作为药物设计中的AI吹捧的是什么似乎是多元数据分析的再攻击。我会争辩说，为了对药物设计的影响，计算化学家和化学形态管理员需要更多地考虑实验和假设驱动设计的设计（如何尽可能有效地产生决策信息）和更少的决策信息在预测（用于药学相关的数量方面，可能会继续挑战一些年份）。虽然更好的多变量分析（无论您是呼叫II，机器学习或多变量分析）可能会很好地证明有益，但它仍然很远，AI对药物设计是一个有用的框架。似乎曾经有很多kool-aid喝醉了。

用于药物设计中的COMPCHEM /化学信息学的情况通常以预测可以测量的量来呈现，使得它们不必测量。药物发现的更大问题是体内未加入的未结合细胞内药物浓度，即不能（目前）的量。生物学，因为德里克不断提醒我们，很难。

这完全正确。我认为这是一个询问AI / ML是否可以预测临床试验结果的草后论点，然后解雇它，因为它在那里挣扎。它不会“解决”药物发现任何新的化学反应或机器人或试验设计就会“解决”药物发现。这是一个强大的工具，可以改善过程（希望在一些早期阶段急剧上急剧上）。它也永远不会在仔细，大规模的实验数据生成的真空中运行。

如果您可以在遗传验证的AI / ML的目标之后进行目标，但“不可撤退”也许您的审判成功率提高。如果您可以探索给定目标的更远的复合选项，可能是效力和属性使其成为可能更少并且具有较低的毒性。如果您可以快速执行1000倍的弱实验并通过用ml汇总和处理更高的质量数据，也许您可​​以解决您之前无法解决的问题。如果AI / ML与起动器化合物提出并帮助将传统的Med Chemist引导到更好的化合物，是AI / ML解决药物发现吗？那是一个有用的工具吗？

德里克说是正确的说，应该对难题进行测试，但本文基本上是如此，“如果我们解决了简单的早期问题，那将移动针？”好吧也许不是，但我们有兴趣解决艰难的早期问题。本文和本文没有以正确的方式框架。

披露：我创立了一个AI / ML公司，拥有自己的潮湿实验室操作来生成大型数据集，尽管我在这里有温和的分歧，我就是德里克的一个大粉丝。

好吧，如果人们期望“AI”（或者相当机器学习）预测他们在他们没有培训数据（或任何先前知识）的地区，他们可能会更好地服用本科生ML类。

您也不宜希望用锤子拧下螺丝。使用正确的工具进行作业。

也许80％的所有机器学习，一旦打开Magick盒，它是在算法将数据点分开到足够的“高维空间”的线性回归，以便通过空间中的点（回归）适合直线（回归）或在点（分类）之间。

这意味着ML会很好地运作良好的，无论可以用统计数据如何，都不会适合需要洞察力的问题。

您可以对AI / ML的VC方法发表评论，这些方法不再与科学影响有关。科学家不能忽视这种趋势

这就是我最近所做的：ai用于药物发现作为风险投资Meme - insitro的情况：https://melwy.com/blog/ai-for-capital-meme-as-a-venture-capital-meme-the -case-of-insitro

这看起来像疫苗免疫参数等良好的审查摘要，所以可以是下周报告的好博客衬底，其中您的常见洞察力和有用的评论https://advances.sciencemag.org/content/7/12/eabe8065 ？utm_campaign = toc_advites_2021-03-19＆amp; et_rid = 16760764＆amp; et_cid = 3706162

一个原因是AI＆amp的过度承诺; ML很难吞下是企业家所做的隐性假设，完全无知的药物发明的技能和过程和我们练习它们的人（以及一次练习似乎正确的词）是如此愚蠢和无知，所以它需要我们几十年完成。从我的角度来看，每个经验教训，包括自我教学，生物化学，细胞生物学，解剖学＆amp;生理学，合成，分析和扩大化学，专利法，毒理学，临床试验设计，监管事务，道德和卫生经济学一直在帮助实现这一目标。即使一台笔记本电脑可以在一半的时间内完成它，它仍然需要三十年。这个地方周围的一些老年人可能是一件好事。危险是当年轻的高级经理对成本和自身缺乏经验感到沮丧，并且很想购买未经证实的AI承诺，以避开R＆amp的十年。我试图避免说一个项目将无法工作，因为这是一个简单的赌注，但我不介意说它是关于人工无知。

...我可以通过Pat Walters推荐对2020年文献的评论，这将带您完成一些重要的主题，以及他们似乎正在进行的重要主题。

在我难看的读物中，我发现我发现了一件事的缺席。

我没有看到任何使用生成的对抗性网络（GANS）或该方法的变体的任何人都没有指示生成铅分子（或做任何其他）。

GAN是一种相对较新的AI技术或方法。 GAN是非常计算密集的。它们可以运行很长时间才能生成任何结果。所以也许他们不是药物发现中资助的大候选人。

但是对于这些论文的简单搜索，我确实发现了一个受欢迎的新闻指示，来自一家公司的2018年文章NeuroSearch，这是利用导致铅分子发现的一个变种：

鉴于当今计算马力的成本（和越来越便宜），非常高速的GANS应该变得更加昂贵。

在这里有任何人在吸毒发现场中有经验和专业知识是否评论了使用GAN找到候选分子的可能性？

“由于没有人能够将十亿虚拟分子停放到蛋白质目标中，我们如何将问题减少到理论上可管理的东西？”

这为我的理论计算机科学课程带回了美好的回忆，其中问题只是“可以计算”。为什么是，是的，它可以;虽然没有这个宇宙中可用的空间，时间，物质和能源......

在几天内对抗蛋白质目标的十亿分子是直截了当的，现在非常便宜。绍京集团几年前发表了700米的复合屏幕，去年openeye发表了数十亿的屏幕。但到目前为止，预测质量和高质量培训数据的可用性是一项重大挑战。

下次评论下，在此浏览器中保存我的姓名，电子邮件和网站。