在药物设计中，化合物效价预测是一种流行的机器学习应用。图神经网络 （GNN） 通过通常从 X 射线结构中提取的蛋白质-配体相互作用的图表示来预测配体亲和力。尽管有一些有希望的发现导致声称GNN可以学习蛋白质-配体相互作用的细节，但这种预测也存在争议。例如，有证据表明，GNNs可能不会学习蛋白质-配体相互作用，而是记住配体和蛋白质训练数据。我们在社区标准数据集上用六种GNN架构进行了亲和力预测，并使用可解释的人工智能对预测进行了合理化。结果证实了配体（而不是蛋白质）记忆在GNN学习过程中的强烈影响，并且还表明一些GNN架构越来越优先考虑交互信息来预测高亲和力。因此，虽然GNN不能全面地解释蛋白质-配体相互作用和物理现实，但根据模型的不同，它们在配体记忆和相互作用模式的学习之间取得了平衡。

深度学习几乎颠覆了每一个研究领域，包括那些对药物发现有直接重要性的领域，如药物化学和药理学，CADD应用中的DL已经取得了重大进展，如虚拟筛选、新药设计、吸收、分布、代谢、排泄和毒性 (ADMET) 特性预测等等

CRISPR-Cas9基因编辑：基因编辑是指通过改变生物体基因组中的DNA序列，来修改和调控特定基因的表达或功能。CRISPR-Cas9基因编辑技术是一种广泛应用的基因编辑方法，它利用CRISPR（簇间重复短回文序列）和Cas9（CRISPR相关的蛋白质9）酶的系统来实现精确的基因组编辑。基因编辑的应用场景十分广泛。在农业领域，基因编辑可以提高作物的耐逆性、产量和品质，为解决全球食品安全和农业可持续性问题提供新途径。在医学领域，基因编辑带来了治愈遗传性疾病的希望，为罕见病提供了新的治疗手段。此外，基因编辑还可用于探索疾病发生机制、开发新药物以及研究动植物生理学。这项技术也被《麻省理工学院技术评论》杂志评选为2023年十大突破性技术之一。

随着高通量生物技术的发展，已经开发了多种组学技术来表征不同但互补的生物信息，包括基因组学、微生物组学、转录组学、和代谢组学等

随着生物医学数据从组学时代进入到多维度大数据时代，药物发现领域同样不可避免地向数据密集型进行深刻变革。依靠着对海量数据得天独厚的优势，AI技术与算法加速并提高了药物发现的过程与准确性，并在药物发现的应用场景中占比越来越大。因此，AI与药物发现领域的深度融合已是大势所趋，未来将发挥更广阔的潜在价值。此外，随着AI算法与算力迭代的效率逐渐提高，其在交叉学科中的应用同样前景广阔，例如智慧医疗、物联网、材料、消费、环境领域等；可以相信，AI将在众多交叉学科呈多样化发展趋势，并对前沿聚焦领域产生积极推动作用！

下面是近两年在顶刊发表的部分研究方向

Nature Protocols |基于机器学习和并行计算的代谢组学数据处理新方法

Nature|基于机器学习的血清代谢组学开发生物标志物用早期肺腺癌筛查

Nature Biotechnology自动化和机器学习的高通量微生物培养组学分离微生物组

Cancer Cell |基于多模态深度学习的泛癌组织学-基因组学整合分析

Science Advances|利用深度学习发现癌症中的新基因突变

Nature|肿瘤微环境的多组学机器学习预测乳腺癌治疗反应

Nature|肺癌和转移瘤中的基因组-转录组进化

Nature Methods |用深度多任务神经网络探索单细胞数据

JCIM｜利用深度学习进行基于结构的从头药物设计

Journal of Medicinal Chemistry报道基于靶标结构的深度学习全新药物设计方法

Nature Reviews综述|机器学习在药物发现和开发的应用

Science Advances |实现了对较小的膜蛋白晶体结构解析方法的研究突破

Nature：一种基于CRISPR/Cas9的非病毒精准基因组编辑临床级疗法

人工智能与组学和药物设计以及基因编辑技术的研究到底有多热，以及为何要举办培训，下面的内容给出了答案

近两年国内外顶尖课题组MIT、Harvard University、UPenn、清华大学、复旦大学、西湖大学等都在从事人工智能与组学与药物和基因编辑技术以及蛋白质晶体结构解析的研究，这一研究成果更是多次发表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology等知名国际顶刊上，为我们发表顶刊鉴定了基础

由于该项研究资料和学习平台较少，信息技术不公开，培训学习迫在眉睫，特此诚挚邀请您参加线上培训课，参会会员已达3000余名！助力学员发表Nature、Science、Cell等正刊及子刊！（在新技术加持下，用更少的经费，发更高质量的文章)

都学课堂MBA带学班。读MBA，上都学课堂