藥物設計中的機器學習

藥物設計中的機器學習，意味著讓演算法從過往實驗中學習規律，而不是靠人手寫規則。把成千上萬個已測得效價、溶解度或毒性的分子展示給模型，它就學會為新分子預測這些性質，正如孩子是透過大量示例而非定義來認識貓的。

實際操作中，分子先被轉化為數字，方式包括分子描述符、指紋，或從原子和鍵的原始圖譜中學到的表示。隨後訓練一個模型，從簡單迴歸到隨機森林再到深度神經網路，把這些輸入映射到某個被測量的終點，例如結合親和力或代謝穩定性。訓練完成後，它能廉價地為未測試分子打分，幫助化學家排定該合成哪些。

其許諾在於速度與規模，但陷阱很嚴重且容易被忽視。模型可能死記硬背訓練集，而在真正全新的化學上失效；可能被數據中隱藏的偏差所蒙蔽；並且對自己為何如此預測幾乎給不出解釋。誠實的使用要求在留出的化合物上進行嚴格驗證、對適用域保持警覺，並把預測當作排序的輔助而非確鑿真相。