Методы глубокого обучения для представления молекул и прогнозирования их свойств

В последние годы, по мере развития методов искусственного интеллекта, компьютерное проектирование лекарственных средств развивается быстрыми темпами. Эффективное представление молекул и точное прогнозирование их свойств — важнейшие задачи рабочих процессов компьютерного проектирования лекарственных средств. В этом обзоре обобщены современные применения методов глубокого обучения для представления молекул и прогнозирования их свойств. Методы глубокого обучения классифицированы по формату молекулярных данных (1D, 2D и 3D). Кроме того, обсуждаются распространённые модели глубокого обучения, включая ансамблевое обучение и обучение с переносом, а также анализируются методы оценки интерпретируемости этих моделей. Рассмотрены также проблемы и перспективы применения методов глубокого обучения для представления молекул и прогнозирования их свойств.