加拿大蒙特利尔学习算法研究所（MILA）唐建教授团队开源了一个通用型药物发现和设计的机器学习平台 ——TorchDrug，涵盖了图机器学习（包括图神经网络、几何深度学习和知识图谱）、深度生成模型以及强化学习等技术。
TorchDrug 是一个建立在开源机器学习库上的深度图表示学习工具箱，整合了分子性质预测、分子从头设计和优化、反应预测、逆合成以及分子重定向等多个任务集。“该平台在通用性、应用性以及可扩展性等方面具有明显的优势。” 唐建告诉生辉。
此项工作还得到了 “原创 AI 教父”、“深度学习三巨头” 之一的 Yoshua Bengio 的指导。
据唐建介绍，TorchDrug 主要解决两大类的问题，一是从头设计和优化分子，二是药物重定向，也就是常说的老药新用。
具体来讲，如果要从头发现和设计分子，发现新分子结构，需要完成多个模块任务。首先需要预测分子性质，分子活性、毒性、水溶性等 ADMET 参数；紧接着需要进行分子优化、搜索、设计，在这一过程中通过深度学习模型或者是强化学习模型设计和优化分子，寻找到性质最佳的分子；然后需要考虑如何合成分子，需要找到分子的逆合成路径，合成自然界不存在的新分子。

内容中包含的图片若涉及版权问题，请及时与我们联系删除