药物设计中的机器学习

药物设计中的机器学习，意味着让算法从过往实验中学习规律，而不是靠人手写规则。把成千上万个已测得效价、溶解度或毒性的分子展示给模型，它就学会为新分子预测这些性质，正如孩子是通过大量示例而非定义来认识猫的。

实际操作中，分子先被转化为数字，方式包括分子描述符、指纹，或从原子和键的原始图谱中学到的表示。随后训练一个模型，从简单回归到随机森林再到深度神经网络，把这些输入映射到某个被测量的终点，例如结合亲和力或代谢稳定性。训练完成后，它能廉价地为未测试分子打分，帮助化学家排定该合成哪些。

其许诺在于速度与规模，但陷阱很严重且容易被忽视。模型可能死记硬背训练集，而在真正全新的化学上失效；可能被数据中隐藏的偏差所蒙蔽；并且对自己为何如此预测几乎给不出解释。诚实的使用要求在留出的化合物上进行严格验证、对适用域保持警觉，并把预测当作排序的辅助而非确凿真相。