特別評(píng)述 | 人工智能助力藥物研發(fā)：可解釋性深度神經(jīng)網(wǎng)絡(luò)分子表征模型
生命科學(xué)迅猛發(fā)展渣蒙，刷新大家對(duì)生命認(rèn)知的同時(shí)曲稼，也給疾病治療帶來了更多的可能性降允。理論上，幾乎所有生物學(xué)功能都可以被藥物靶向。小分子因其相對(duì)低廉的成本法雄，成為各大制藥公司和研究機(jī)構(gòu)開展疾病治療研究的首選工具嫌寓，藥物發(fā)現(xiàn)也因此越來越“平權(quán)化”。然而象体，找到具有合適藥理學(xué)瘟气、毒理學(xué)和藥代動(dòng)力學(xué)等特性的小分子，依然是一個(gè)很大的挑戰(zhàn)档改。面對(duì)不斷增長(zhǎng)的藥物研發(fā)數(shù)據(jù)断憨，現(xiàn)有的人工智能 （AI） 方法雖然可以據(jù)此構(gòu)建出強(qiáng)大的預(yù)測(cè)模型，然而深度神經(jīng)網(wǎng)絡(luò)所學(xué)到的東西通常難以被化學(xué)家和生物學(xué)家理解谅囚，而且這種認(rèn)知差距正在不斷增大瑰保，也使科技人員難以相信AI模型的預(yù)測(cè)結(jié)果，這也限制了AI技術(shù)在藥物研發(fā)實(shí)踐中的應(yīng)用 【1】 雄防。 近日柱阱，中科院上海藥物所蔣華良 院士和鄭明月 研究員 （第一作者為博士研究生熊招平 ） 在Journal of Medicinal Chemistry Pushingthe Boundaries of Molecular Representation for Drug Discovery with the GraphAttention Mechanism 。 該論文介紹了一種基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)模型 (Attentive FP） 怒晕。該模型可以用于分子表征擒欢，在多個(gè)藥物發(fā)現(xiàn)相關(guān)的數(shù)據(jù)集上的預(yù)測(cè)表現(xiàn)達(dá)到當(dāng)前最優(yōu)，并且該模型所學(xué)到的內(nèi)容具有可解釋性嚼吞。 這種可解釋性在機(jī)器的認(rèn)知和人的認(rèn)知的差異間架起了一座橋梁盒件，由此可能更好地利用機(jī)器的認(rèn)知增強(qiáng)藥物學(xué)家的認(rèn)知，產(chǎn)生更大的實(shí)際應(yīng)用價(jià)值舱禽。 Attentive FP的特征可視化表明炒刁，它可以自動(dòng)從特定任務(wù)中學(xué)習(xí)到分子結(jié)構(gòu)內(nèi)非局部的特性，因此可以幫助藥物學(xué)家或化學(xué)家超越經(jīng)驗(yàn)和直覺誊稚，直接從各種性質(zhì)數(shù)據(jù)中獲取對(duì)該分子結(jié)構(gòu)更深層的理解翔始。 結(jié)構(gòu)決定性質(zhì)，性質(zhì)體現(xiàn)于結(jié)構(gòu)里伯。如何從一個(gè)分子的化學(xué)結(jié)構(gòu)中提取出它的各種性質(zhì)是科學(xué)家夢(mèng)寐以求的目標(biāo)城瞎。到目前為止，人們先后發(fā)明了5000種以上的不同描述符 （特征） 去表征一個(gè)化學(xué)分子的結(jié)構(gòu) 【2】 疾瓮。傳統(tǒng)的機(jī)器學(xué)習(xí)模型就圍繞這些預(yù)定義的描述符脖镀，通過特征工程選取不同的組合，對(duì)小分子的各種性質(zhì)進(jìn)行建模預(yù)測(cè)狼电。特征工程選取是一個(gè)繁瑣且耗時(shí)的過程蜒灰，而且這種較強(qiáng)的預(yù)設(shè)先驗(yàn)很可能使模型產(chǎn)生偏差，導(dǎo)致預(yù)測(cè)效果達(dá)不到最優(yōu)哥钉。以Neural FP為代表的分子圖神經(jīng)網(wǎng)絡(luò)模型能以較少的特征描述符作為輸入蜗原，得到明顯更優(yōu)的預(yù)測(cè)結(jié)果瀑红，是人工智能在分子表征領(lǐng)域的重要嘗試 【3】 。然而嗤锯，在機(jī)器學(xué)習(xí)中準(zhǔn)確性和可解釋性很難兼顧贼扩。如果不能使神經(jīng)網(wǎng)絡(luò)的“黑盒子”透明化，人們很難判斷一個(gè)模型只是擬合或記住了訓(xùn)練數(shù)據(jù)校槐，還是真正具備了泛化的能力揉拯。面對(duì)藥物研發(fā)后期巨大的成本投入泳厌，藥物學(xué)家不可能完全相信某個(gè)黑盒算法給出的“武斷”預(yù)測(cè) 【4】 另焕。因此，人工智能藥物設(shè)計(jì)研究的重點(diǎn)之一就是需要探索深度學(xué)習(xí)算法的可解釋性起驱，針對(duì)性地開發(fā)了更符合化學(xué)背景惦鄙，更易于解讀的人工智能模型。 圖1. Attentive FP總體框架以及與同類的圖神經(jīng)網(wǎng)絡(luò)模型比較鹊获。 作者比較了他們自己的AttentiveFP模型與其他幾種圖神經(jīng)網(wǎng)絡(luò)模型 （圖1） 喧久。如果將分子看作為一張圖 （graph） ，給定一個(gè)節(jié)點(diǎn) （紅色標(biāo)記的目標(biāo)原子） 刹碾，在Neural FP 【3】 和GCN 【5】 模型中燥撞，其他節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)的影響會(huì)隨距離嚴(yán)重衰減，這不符合化學(xué)直覺迷帜，即化學(xué)結(jié)構(gòu)中距離較遠(yuǎn)的原子間有時(shí)也會(huì)產(chǎn)生較強(qiáng)的影響物舒，比如分子內(nèi)氫鍵的形成；Weave 【6】 和MPNN （特指Deepchem中實(shí)現(xiàn)的MPNN） 模型則默認(rèn)所有其他節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)有相同的影響戏锹，這可以更好捕捉分子結(jié)構(gòu)中的一些非局部特征冠胯，但顯然忽視了化學(xué)分子固有的結(jié)構(gòu)。作者提出的Attentive FP能在保持分子固有結(jié)構(gòu)的情況下锦针，有效捕捉圖的非局部特征和遠(yuǎn)距離節(jié)點(diǎn)相互作用 （圖2） 荠察。這得益于Attentive FP先在原子水平加入注意力機(jī)制，學(xué)習(xí)到分子的局部特征奈搜，后在整個(gè)分子水平加入注意力機(jī)制悉盆，學(xué)習(xí)到分子的全局特征。值得一提的是馋吗，相比其他同類圖神經(jīng)網(wǎng)絡(luò)模型焕盟，Attentive FP用了最少的初始特征作為模型輸入，依然在多個(gè)測(cè)試數(shù)據(jù)集中達(dá)到了當(dāng)前最優(yōu)的預(yù)測(cè)表現(xiàn)皿掂。 圖2. Attentive FP 注意力圖神經(jīng)網(wǎng)絡(luò)架構(gòu)瓣车。 圖3 AttentiveFP學(xué)習(xí)水溶性時(shí)自動(dòng)學(xué)習(xí)到的特征與化學(xué)家定義的描述符比較。 作者將Attentive FP學(xué)習(xí)水溶性時(shí)自動(dòng)學(xué)習(xí)到的特征與化學(xué)家定義的描述符進(jìn)行了對(duì)比 （圖3） 般供〔す保可以看到唇墅，訓(xùn)練前后，自動(dòng)學(xué)習(xí)到的特征幾乎能復(fù)現(xiàn)出跟預(yù)測(cè)任務(wù)相關(guān)的經(jīng)驗(yàn)描述符睛至。這些經(jīng)驗(yàn)描述符是根據(jù)化學(xué)家的專業(yè)知識(shí)所定義出來的特奇，比如TPSA （拓?fù)浞肿訕O性表面積） 和LogP （油水分配系數(shù)） 。因?yàn)檫@些經(jīng)驗(yàn)描述符與水溶性高度相關(guān)治部，對(duì)預(yù)測(cè)任務(wù)有較強(qiáng)的指導(dǎo)剧么，傳統(tǒng)的機(jī)器學(xué)習(xí)模型通常會(huì)直接選擇這些描述符作為輸入特征的一部分來預(yù)測(cè)水溶性。但作者發(fā)展的Attentive FP可以不以這些化學(xué)先驗(yàn)作為輸入沧蛉，而以更原始簡(jiǎn)單的輸入 （如原子和鍵的類型等） 苫治，直接在在隱含層中自動(dòng)學(xué)習(xí)到的這些人們長(zhǎng)期積累的化學(xué)知識(shí)，表現(xiàn)為訓(xùn)練后的模型隱含層特征與這些經(jīng)驗(yàn)描述符的相關(guān)性變高蟀思，而與預(yù)測(cè)任務(wù)不相關(guān)的描述符如SA Score? (合成難易性) 和Drug Likeness （類藥性） 與學(xué)習(xí)到的隱層特征相關(guān)性比較并沒有顯著變化零院。 圖4. Attentive FP自動(dòng)學(xué)習(xí)化學(xué)環(huán)境。 作者發(fā)展的AttentiveFP模型還能自動(dòng)學(xué)習(xí)到原子所處的化學(xué)環(huán)境村刨，比如告抄，以藥物溶解度作為監(jiān)督任務(wù)進(jìn)行訓(xùn)練，將模型學(xué)習(xí)到的原子向量作相似性評(píng)估嵌牺，負(fù)相關(guān)的原子對(duì)標(biāo)為黃色打洼，正相關(guān)的標(biāo)為藍(lán)色 （圖4） 。結(jié)果表明通過學(xué)習(xí)逆粹，整個(gè)分子顯示出特定的結(jié)構(gòu)模式募疮，這種模式在隱藏層的高層更加明顯。對(duì)于圖4所示的Iprodione結(jié)構(gòu)枯饿，原子被自動(dòng)聚集的三個(gè)部分正好對(duì)應(yīng)分子結(jié)構(gòu)中的三個(gè)片段酝锅，其中，分子結(jié)構(gòu)中灰色背景的化學(xué)基團(tuán)極性比較小奢方，不利于水溶性搔扁，中間紅色背景的基團(tuán)極性較大，利于水溶性蟋字。這一結(jié)果提示模型可能自動(dòng)學(xué)習(xí)了到各個(gè)原子所處的不同化學(xué)環(huán)境遇冶。 圖5. Attentive FP自動(dòng)學(xué)習(xí)到分子中的芳香性子結(jié)構(gòu)。 化學(xué)分子中的芳香性是一種典型的非局部特征枫须，這一問題也給基于卷積架構(gòu)的圖神經(jīng)網(wǎng)絡(luò)模型帶來了挑戰(zhàn)涧智。通過利用注意力機(jī)制，作者發(fā)展的Attentive FP模型很好的解決了這一問題新俗。 當(dāng)原始輸入中去除編碼芳香性的相關(guān)特征（避免信息泄露） 誊桅，輸出僅以分子中芳香原子的個(gè)數(shù)作為學(xué)習(xí)目標(biāo)進(jìn)行監(jiān)督訓(xùn)練時(shí)，Attentive FP能根據(jù)注意力機(jī)制的權(quán)重都鸳，準(zhǔn)確標(biāo)出芳香原子的位置难踱。同時(shí)设哀，訓(xùn)練完成的模型面對(duì)對(duì)抗性的樣本 （微小的結(jié)構(gòu)改變，但對(duì)芳香性影響巨大的分子） 也能進(jìn)行準(zhǔn)確鑒別刷络，展現(xiàn)了強(qiáng)大的泛化能力甥迷。 人工智能在人臉識(shí)別、語音識(shí)別丽优、翻譯和自動(dòng)駕駛等方面的應(yīng)用不需要關(guān)注智能算法學(xué)習(xí)到了什么歹恬，為什么會(huì)做出這樣的判斷，只要達(dá)到足夠的精度即可手趣。但對(duì)于像藥物發(fā)現(xiàn)這種科學(xué)問題晌该，其中有更多的不確定性，在通用人工智能把整個(gè)新藥發(fā)現(xiàn)流程包辦以前回懦，藥物學(xué)家會(huì)更相信自己的經(jīng)驗(yàn)直覺气笙，但同時(shí)又希望從越來越多的藥物研發(fā)數(shù)據(jù)中汲取新的見解次企。數(shù)據(jù)的積累和深度學(xué)習(xí)算法的應(yīng)用可以建立更準(zhǔn)確的預(yù)測(cè)模型怯晕，而這些預(yù)測(cè)如果是不能被解釋，或者說被藥物學(xué)家理解缸棵，那么將很難取得藥物學(xué)家的信任舟茶，進(jìn)而被真正應(yīng)用而成為藥物發(fā)現(xiàn)必不可少的環(huán)節(jié)。 該團(tuán)隊(duì)開發(fā)的基于注意力機(jī)制的 可解釋 圖神經(jīng)網(wǎng)絡(luò)分子指紋Attentive FP是對(duì)人工智能的可解釋性在藥物發(fā)現(xiàn)中的有益探索堵第，它將機(jī)器認(rèn)知與人的認(rèn)知連接起來吧凉，以期更好地利用機(jī)器的認(rèn)知增強(qiáng)藥物學(xué)家的認(rèn)知，這類前沿且與藥物研究需求緊密結(jié)合的探索踏志，相信能產(chǎn)生更大的實(shí)際應(yīng)用價(jià)值阀捅。 整體來說，文章干貨滿滿针余，更多內(nèi)容可自行查閱原文芳倒，有興趣的讀者也可以直接利用公開的代碼做自己的探索， https://github.com/OpenDrugAI/AttentiveFP 标宪。 吳朝暉 （浙江大學(xué)校長(zhǎng)铜氛，中國(guó)科學(xué)院院士二场，人工智能研究專家） 評(píng)論家布雷特·金 （Brett King） 在《智能浪潮： 增強(qiáng)時(shí)代來臨》 一書中指出,今天所探索的人工智能等科技，將徹底重新定義人類的下一個(gè)時(shí)代蟀委，這一時(shí)代可稱之為智能增強(qiáng)時(shí)代缤棍。智能增強(qiáng)時(shí)代不可避免地要協(xié)調(diào)好機(jī)器智能和人類智能的關(guān)系涧馋，在決策中融合機(jī)器智能，實(shí)現(xiàn)人機(jī)協(xié)同庭四，增強(qiáng)人類智能蚜懦。 最近十年，得益于算力的增長(zhǎng)和數(shù)據(jù)的累積橡疼，我們注意到深度學(xué)習(xí)在物流援所、監(jiān)控、個(gè)人助手欣除、高頻交易等領(lǐng)域取得了突破性的成功住拭，推動(dòng)了這一波的人工智能熱潮。然而历帚，我們同樣發(fā)現(xiàn)目前以深度神經(jīng)網(wǎng)絡(luò)為代表的連接主義人工智能 （AI） 還有很多局限：它太依賴于數(shù)據(jù)滔岳，欠缺泛化推理能力，也是人類不能理解的“黑箱”挽牢。我們不知道神經(jīng)網(wǎng)絡(luò)得到預(yù)測(cè)的依據(jù)谱煤，更不確定人工智能模型究竟是學(xué)習(xí)到了可泛化的知識(shí)，還是僅僅記住了樣本禽拔，擬合了數(shù)據(jù)刘离。對(duì)于諸如圖像識(shí)別、機(jī)器翻譯等任務(wù)睹栖，有些情況下即使產(chǎn)生錯(cuò)誤并不會(huì)產(chǎn)生嚴(yán)重后果硫惕，只要模型達(dá)到好的預(yù)測(cè)效果，我們可以不必關(guān)心模型是如何做出預(yù)測(cè)的宜切。有很多人工智能任務(wù)察贵，會(huì)因?yàn)槿祟悓?duì)智能系統(tǒng)理解不足，而存在的巨大風(fēng)險(xiǎn)孤咏。深度神經(jīng)網(wǎng)絡(luò)如果一直保持“黑箱”狀態(tài)旋喊，模型會(huì)很容易受對(duì)抗性樣本的攻擊，用戶也很難決定什么時(shí)候可以信任模型的預(yù)測(cè)捌秩。例如九站，醫(yī)生不知道AI模型對(duì)病理圖片作出預(yù)測(cè)的依據(jù)，就不能放心采用AI給出的診斷結(jié)論脓大；藥物學(xué)家不知道AI系統(tǒng)為什么優(yōu)選開發(fā)某些分子而不是另外一些分子的原因屋骇，面對(duì)后期巨大的經(jīng)費(fèi)投入和失敗風(fēng)險(xiǎn)，就很難相信AI給出的研發(fā)決策过桌。 因此殷彰，當(dāng)前人工智能想要真正顯示智慧特征，創(chuàng)造普惠價(jià)值，需要解決的一個(gè)重要問題是深度神經(jīng)網(wǎng)絡(luò)的可解釋性哺肘。只有人工智能決策過程變得更加透明殴胧，這種智能才能更加通用∨宄伲可解釋性人工智能 (Explainable AI) 作為一個(gè)非常前沿的研究方向团滥，聚焦于用系統(tǒng)性和可解釋的方式呈現(xiàn)人工智能所學(xué)習(xí)到的復(fù)雜邏輯，讓人工智能的預(yù)測(cè)依據(jù)更好地被人類理解报强。這是實(shí)現(xiàn)人機(jī)協(xié)作灸姊，增強(qiáng)人類智能的基礎(chǔ)”龋可解釋性人工智能受到了各國(guó)政府力惯、工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注。美國(guó)國(guó)防部先進(jìn)研究項(xiàng)目局DARPA資助了可解釋性人工智能項(xiàng)目XAI （ExplainableAI） 召嘶；中國(guó)國(guó)務(wù)院在2017年印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中提出要“實(shí)現(xiàn)具備高可解釋性父晶、強(qiáng)泛化能力的人工智能”，得到了產(chǎn)業(yè)界和學(xué)術(shù)機(jī)構(gòu)廣泛認(rèn)可和積極響應(yīng)弄跌。 近日甲喝，上海科技大學(xué)和中科院上海藥物研究所蔣華良院士和鄭明月研究員團(tuán)隊(duì)在人工智能的可解釋性在藥物發(fā)現(xiàn)領(lǐng)域中的應(yīng)用進(jìn)行探索碟绑，開發(fā)了一種新的分子結(jié)構(gòu)表征方法Attentive FP 【8】 武骆。該方法是基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)模型。其中溃杖，圖神經(jīng)網(wǎng)絡(luò)模型對(duì)拓?fù)鋱D中的點(diǎn)和邊的關(guān)系進(jìn)行建模，有利于關(guān)系推理耽慌。注意力機(jī)制是近年來人工智能自然語言模型的核心進(jìn)展之一卢圈，在提高語言模型性能的同時(shí)也提升了模型的可解釋性 【9】 。在Attentive FP中辅任，該團(tuán)隊(duì)使用圖神經(jīng)網(wǎng)絡(luò)處理含有原子和鍵的分子圖結(jié)構(gòu)借衅，并通過創(chuàng)新性地引入原子水平和分子水平的注意力機(jī)制，使分子圖模型兼具推理能力和可解釋性立漏。利用Attentive FP進(jìn)行分子表征和藥物性質(zhì)預(yù)測(cè)建模鹊属，可以獲得泛化性能更好的模型；通過可視化模型自動(dòng)學(xué)習(xí)到的特征聪戳，可以發(fā)現(xiàn)Attentive FP能從化合物的性質(zhì)數(shù)據(jù)中直接學(xué)習(xí)和提取符合化學(xué)經(jīng)驗(yàn)知識(shí)的模式和關(guān)聯(lián)性危劫。這些特性可以幫助藥物學(xué)家更加高效地處理日益擴(kuò)增的研發(fā)數(shù)據(jù)，從海量大數(shù)據(jù)中直接獲取新的見解缰俊，豐富藥物學(xué)家的知識(shí)庫和經(jīng)驗(yàn)儲(chǔ)備容诬。 未來，隨著腦科學(xué)、認(rèn)知科學(xué)览徒、類腦計(jì)算的迅猛發(fā)展狈定，人工智能在感知、記憶习蓬、推理等方面的功能“短板”終將得到補(bǔ)齊纽什，人工智能“黑箱”模型也將變得更加透明，屆時(shí)人工智能才能更顯智慧特征躲叼，更具普惠價(jià)值稿湿。可以預(yù)見押赊，藥物研發(fā)領(lǐng)域也會(huì)融合機(jī)器智能與人類智能饺藤，實(shí)現(xiàn)人機(jī)協(xié)同，由機(jī)器智能幫助藥物學(xué)家快速處理海量數(shù)據(jù)流礁，增強(qiáng)藥物研發(fā)的合理決策涕俗。基于注意力機(jī)制的圖神經(jīng)網(wǎng)絡(luò)分子指紋Attentive FP是在藥物發(fā)現(xiàn)中對(duì)可解釋性人工智能的積極嘗試神帅，也展示了可解釋性人工智能在人機(jī)協(xié)同以及在助力藥物研發(fā)方面的巨大潛力山堵。
作者簡(jiǎn)介
熊招平 ，上杭阜疲科技大學(xué)與中科院上海藥物研究所聯(lián)合培養(yǎng)博士生硅决，導(dǎo)師為蔣華良院士和鄭明月研究員。他研究興趣集中于圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network)在分子表征杉唇、分子生成和結(jié)構(gòu)優(yōu)化中的應(yīng)用拂是，重點(diǎn)探索可解釋性人工智能在新藥研發(fā)中的潛力。他思維活躍辟侠，研究興趣廣泛逃缔，對(duì)多學(xué)科交叉融合尤其感興趣。2015年第二屆中美青年創(chuàng)客大賽中眨柑，他所在的無人船團(tuán)隊(duì)獲得上海賽區(qū)第一名泄廓，他在其中負(fù)責(zé)視覺算法開發(fā)和布署。2016年第一屆由中科院微小衛(wèi)星中心舉辦的微小衛(wèi)星設(shè)計(jì)大賽中坪腔，他主持的微小衛(wèi)星生化實(shí)驗(yàn)?zāi)K項(xiàng)目獲得第二名权浸。2018 DREAM Challenge的“多靶點(diǎn)藥物預(yù)測(cè)挑戰(zhàn)賽”(Multi-Targeting Dream Challenge 2018) 中，他在甲狀腺髓樣瘤（medullarythyroid carcinoma）和tau蛋白神經(jīng)退行性模型兩項(xiàng)任務(wù)都獲得第一名（人工智能助力上海研究生熊招平摘取多靶點(diǎn)藥物分子設(shè)計(jì)國(guó)際挑戰(zhàn)大賽冠軍 ）吏口。
鄭明月 奄容，中國(guó)科學(xué)院上海藥物研究所研究員、博士生導(dǎo)師锨侯、國(guó)家新藥研究重點(diǎn)實(shí)驗(yàn)室成員嫩海、中國(guó)化學(xué)會(huì)計(jì)算機(jī)化學(xué)專業(yè)委員會(huì)委員冬殃。研究方向是基于人工智能和大數(shù)據(jù)的精準(zhǔn)藥物設(shè)計(jì)技術(shù)開發(fā)。在藥物作用機(jī)制和靶點(diǎn)發(fā)現(xiàn)叁怪、新靶點(diǎn)活性化合物的發(fā)現(xiàn)和成藥性優(yōu)化等方面取得了一系列成果审葬，發(fā)展了具有特色和創(chuàng)新性的機(jī)器學(xué)習(xí)算法和模型，得到了國(guó)內(nèi)外同行的關(guān)注奕谭。近年來涣觉，共發(fā)表SCI論文70余篇，參與5部專著的編寫血柳；在Trends Pharmacol Sci官册、Autophagy、J Med Chem难捌、J Chem Theory Comput和Bioinformatics
蔣華良 蚜冀，中國(guó)科學(xué)院院士肯铣，中國(guó)科學(xué)院上海藥物研究研究員，上翰形簦科技大學(xué)免疫化學(xué)研究所教授狗城。1987年畢業(yè)于南京大學(xué)化學(xué)系，獲得有機(jī)化學(xué)學(xué)士學(xué)位物即；1992年于華東師范大學(xué)化學(xué)系獲得物理化學(xué)碩士學(xué)位；1995年于中國(guó)科學(xué)院上海藥物研究所獲得藥物化學(xué)博士學(xué)位键闺。蔣華良長(zhǎng)期致力藥物科學(xué)基礎(chǔ)研究和新藥發(fā)現(xiàn)寿烟，他通過生物學(xué)、化學(xué)辛燥、數(shù)理科學(xué)和計(jì)算信息科學(xué)等多學(xué)科的交叉筛武，開展原創(chuàng)藥物研究新策略與新方法、先導(dǎo)化合物發(fā)現(xiàn)和優(yōu)化挎塌、藥物靶標(biāo)調(diào)控機(jī)制等研究徘六。他發(fā)展了一系列靶標(biāo)發(fā)現(xiàn)和藥物設(shè)計(jì)新方法，被國(guó)際同行和制藥公司廣泛應(yīng)用。他發(fā)展了能預(yù)測(cè)化合物藥效的理論計(jì)算方法待锈，部分解決了藥物設(shè)計(jì)領(lǐng)域的重大難題漠其。他針對(duì)多種重要靶標(biāo)發(fā)現(xiàn)了數(shù)十個(gè)新結(jié)構(gòu)類型的先導(dǎo)化合物，其中5個(gè)候選藥物已進(jìn)入臨床試驗(yàn)研究竿音，和屎。迄今他在國(guó)際學(xué)刊上發(fā)表論文460余篇，其中通訊或共同通訊論文作者200余篇春瞬、綜述13篇柴信；合編專著24本，譯著2本费犯，論著被他引2萬余次浸弦。申請(qǐng)專利160項(xiàng)，獲授權(quán)70余項(xiàng)（其中國(guó)際專利16項(xiàng)）绷冈，實(shí)現(xiàn)成果轉(zhuǎn)讓6項(xiàng)弹噩。 他獲國(guó)家自然科學(xué)二等獎(jiǎng)、國(guó)家科技進(jìn)步二等獎(jiǎng)弦撤、何梁何利科技進(jìn)步獎(jiǎng)僻一、國(guó)家青年科學(xué)家獎(jiǎng)、國(guó)家青年科技獎(jiǎng)鼠基、上海市牡丹自然科學(xué)獎(jiǎng)冀肆、上海市科技進(jìn)步一等獎(jiǎng)、上海市科技精英等多種獎(jiǎng)項(xiàng)假怔。目前擔(dān)任J. Med. Chem.副主編和其他5種國(guó)際學(xué)刊的編委凄恤。曾任國(guó)家863計(jì)劃專家組成員、國(guó)家重大基礎(chǔ)研究計(jì)劃“蛋白質(zhì)科學(xué)重大基礎(chǔ)研究計(jì)劃”專家組成員怕收、國(guó)家自然科學(xué)基金委“基于化學(xué)小分子探針的信號(hào)轉(zhuǎn)導(dǎo)過程研究”重大研究計(jì)劃專家組成員嘿辟，現(xiàn)任國(guó)家自然科學(xué)基金委“生物大學(xué)分子動(dòng)態(tài)修飾與化學(xué)干預(yù)”重大研究計(jì)劃專家組組長(zhǎng)。 https://doi.org/10.1021/acs.jmedchem.9b00959
1. Shake-up in AI drug discovery,?NatBiotechnol 2. Dragon 7.0. https://chm.kode-solutions.net/products_dragon.php 3. Duvenaud, D.; Maclaurin, D.;et al.. Convolutional Networks on Graphs for Learning Molecular Fingerprints.ArXiv E-Prints? 4. Schneider, G. Mind and Machinein Drug Design.?Nat. Mach. Intell.? 5. Zhou, Z.; Li, X. GraphConvolution: A High-Order and Adaptive Approach.?ArXiv E-Prints 6. Kearnes, S.; McCloskey, K.;Berndl, M.; Pande, V.; Riley, P. Molecular Graph Convolutions: Moving BeyondFingerprints.?J Comput-Aided Mol Des 7. Wu, Z.; Ramsundar, B.; et al..MoleculeNet: A Benchmark for Molecular Machine Learning.?Chem Sci? 8. Xiong, Z, Wang, D,; et al..Pushing the boundaries of molecular representation for drug discovery withgraph attention mechanism.?J Med Chem.? 9. Ashish, V.; Shazeer N,; et al.."Attention is all you need."?In?Advances in neural informationprocessing systems,
phirda@phrda.com
010-58156160
回到頂部
研發(fā)追蹤
BioArt 
2019-09-08
8589
熱門資訊
熱點(diǎn)標(biāo)簽
微信公眾號(hào)