人工智能(AI)正在成为药物发现的重要组成部分。它具有跨越药物发现和开发价值链的潜力，从目标识别到临床开发。这篇综述，我们提供了当前人工智能技术的概述，并通过突出人工智能对临床前药物发现产生实际影响的例子，对人工智能如何重塑临床前药物发现进行了综述。通过对人工智能在药物发现过程中所带来的基于，我们希望通过讨论人工智能在药物发现过程中所带来的机遇和挑战来提出一个现实的观点。 药物发现是一个漫长、复杂和高风险的过程。开发一种新药通常需要惊人的10-15年时间，平均成本高达28亿美元，其中有惊人比例(80-90%)的药物在临床中失败，其中第二期概念验证(PoC)试验占临床失败的比例最高。尽管在过去10年(2010-2019年)，美国食品和药物管理局(FDA)等监管机构批准的新分子实体(NMEs)数量与前10年相比有所增加，但将一种新药推向市场的成本却急剧上升。1-3导致药物创新成本增加的主要驱动因素包括:后期临床自然损耗的投资损失、日益严格的监管体系设置了较高的审批门槛，以及更高的临床试验成本，特别是关键试验。鉴于这些现实，制药和生物技术公司被鼓励创新和采用新技术，以提高生产率，降低成本，

基于原始分子图的神经网络属性预测 该代码是在阿斯利康进行的两项工作的基础： 我的硕士学位论文 Me和Michael Withnall的论文《 的中，本文提到的三个模型引用了以下代码和论文的模型： SELU-MPNN-> GGNN AMPNN-> AttentionGGNN GGNN EMNN-> EMN 论文的技术细节更为丰富，但并未经过同行评审，其中包含错误生成的ESOL数据集结果。 本文包含了更详尽，更仔细地生成的结果集。 相关工作 最重要的四篇相关论文是： 提供了一个图神经网络作为本工作以及以下论文的基线 定义了图表的神经网络的MPNN框架，在该代码实现为抽象类SummationMPNN 提供了一种用于节点分类的模型，该模型具有消息聚合步骤，该步骤不适合MPNN框架，但可以适合作为抽象AggregationMPNN类实现的更通用的框架，在计算上可以看作是较轻的变体。当前

DPI(Deep Pharma Intelligence)是一家市场分析机构，定期发布关于制药和医疗保健行业高潜力领域的分析报告从2017年起，DPI持续发布AI在药物研发中应用情况的系列专题报告，本文对其最新发布的《Artificial Intelligence for Drug Discovery Landscape Overview Q1 2022》进行简要介绍。

GPCRdb数据存储库 该存储库是GPCRdb的参考数据（源数据）的收集点。 有关更多信息，请参阅我们的。

【导读】国际人工智能会议AAAI 2021论文将在全程线上举办，时间在 2 月 2 日-2 月 9 日，本届大会也将是第 35 届 AAAI 大会。大会涵盖了众多最近研究进展报告，来自MIla唐建博士、FeiWang博士、Feixiong Cheng共同做了关于人工智能药物发现的进展报告，非常值得关注! 药物发现是一个漫长而昂贵的过程，平均需要10年时间和25亿美元来开发一种新药。人工智能有潜力通过分析生物医学领域产生的大量数据，如生物测定、化学实验和生物医学文献，来显著加速药物发现的进程。最近，在许多不同的领域，包括机器学习、数据挖掘和生物医学领域，人们对开发人工智能技术用于药物发现越来越感兴趣。在本教程中，我们将详细介绍药物发现中的关键问题，如分子性质预测、新生分子设计和分子优化、反合成反应和预测、药物再利用和组合，以及针对这些问题的人工智能关键技术进展。本教程可以作为对药物发现感兴趣的计算机科学家和药物发现从业者的入门材料，以便沿着这个方向学习最新的人工智能技术。