正文
药物的物理化学性质，如溶解度、分配系数（
logP
）、电离度和内在通透性，都会间接影响药物的药代动力学特性和靶向受体，因此，在设计新药时必须加以考虑。不同的人工智能工具可以用来预测物理化学性质。例如，ML使用之前在复合优化过程中产生的大数据集来训练程序。药物设计的算法包括分子描述、势能测量、分子周围的电子密度和三维原子坐标，通过DNN生成可行的分子，从而预测其性质。
生物活性预测
药物分子的疗效取决于它们对靶蛋白或受体的亲和力。对靶蛋白没有任何相互作用或亲和力的药物分子将不能提供治疗反应。在某些情况下，开发出的药物分子可能与非预期的蛋白质或受体相互作用，导致毒性。因此，药物靶向结合亲和力（
DTBA
）是预测药物与靶点相互作用的关键。基于人工智能的方法可以通过考虑药物及其靶点的特性或相似性来测量药物的结合亲和力。基于特征的相互作用识别药物和靶点的化学成分以确定特征向量。相反，基于相似性的相互作用考虑了药物与靶点之间的相似性，并假设相似的药物将与相同的靶点相互作用。
网络应用程序，如ChemMapper和相似集成方法（
SEA
）可用于预测药物与靶点的相互作用。许多涉及ML和DL的策略已被用于确定DTBA，如KronRLS、SimBoost、DeepDTA和PADME。基于ML的方法，如KronRLS，评估药物和蛋白质分子之间的相似性以确定DTBA。类似地，SimBoost使用回归树来预测DTBA，同时考虑基于特征和基于相似性的交互。
毒性预测
预测药物分子的毒性对于避免毒性作用至关重要。以细胞为基础的体外试验通常被用作初步研究，然后是动物研究来确定化合物的毒性，增加了药物发现的费用。一些基于网络的工具，如LimTox、pkCSM、admetSAR和Toxtree，可以帮助降低成本。先进的基于人工智能的方法寻找化合物之间的相似性或根据输入特征预测化合物的毒性。由美国国家卫生研究院、环境保护署（
EPA
）和美国食品和药物管理局（
FDA
）组织的Tox21数据挑战赛是一项倡议，旨在评估几种预测12707种环境化合物和药物毒性的计算技术。名为DeepTox的ML算法脱颖而出，它通过识别分子化学描述内的静态和动态特征，如分子量（
MW
）和范德华力，并可根据预定义的2500个毒性基团特征有效地预测分子的毒性。药物发现中使用的不同人工智能工具如下表所示。
靶蛋白结构预测
在开发化学药物的过程中，预测靶蛋白的结构对于设计药物分子至关重要。人工智能可以通过预测3D蛋白质结构来帮助基于结构的药物发现，因为设计要符合目标蛋白位点的化学环境，从而有助于在合成或生产前预测化合物对靶点的影响以及安全考量。以DNNs为基础的人工智能工具AlphaFold分析了相邻氨基酸之间的距离和肽键的对应角度，预测了靶点蛋白的三维结构，并在43个结构中正确预测了25个。
药物-蛋白质相互作用预测
