مقاله افزایش یادگیری عمیق در کشف دارو (نشریه الزویر ۲۰۱۸)

بخشی از ترجمه

 طی دهه گذشته، یادگیری عمیق به موفقیت قابل ملاحظه ای در انواع حیطه های تحقیقاتی هوش مصنوعی دست یافته است. این فناوری که از روی تحقیقات قبلی در زمینه شبکه های عصبی مصنوعی تکامل یافته است، نشان داده شده که عملکرد برتری نسبت به سایر الگوریتم های یادگیری ماشینی در حیطه هایی نظیر تشخیص تصویر و صدا ، پردازش زبان طبیعی در میان سایرین دارند. اولین موج کاربرد یادگیری عمیق در تحقیقات داروشناسی در سالهای اخیر ظهور یافته است و استفاده از آن فراتر از پیشگویی های فعالیت زیستی رفته است و در مطرح سازی مسائل گوناگون در کشفیات دارویی نویدبخش بوده است. مثالهایی برای تحت پوشش قرار دادن پیشگویی فعالیت زیستی، طراحی مولکولی جدید، تحلیل تصویر بیولوژیکی و پیشگویی سنتز مورد بحث قرار خواهد گرفت.

۱- مقدمه

داده های دیجیتالی در همه شکل و اندازه ای به شکل نمایی روبه رشد است. طبق گفته موسسه امنیتی ملی امریکا، اینترنت دارد ۱۸۲۶ پتابایت داده ها را در روز پردازش می کند. در سال ۲۰۱۱، اطلاعات دیجیتالی نه برابر از لحاظ حجمی در عرض صرفا پنج سال رشد کرده است و تا سال ۲۰۲۰، میزان آن در دنیا بنا به انتظار به ۳۵ تریلیون گیگابایت می رسد. تقاضای بالای بررسی و تحلیل داده های کلان باعث تشویق استفاده از الگوریتم های یادگیری ماشینی گرسنه داده مانند یادگیری عمیق DL شده است. DL موفقیت عظیمی را در دامنه وسیعی از کاربردها مانند بازیهای کامپیوتری ، تشخیص گفتاری، بینایی کامپیوتری، پردازش زبان عصبی، ماشین های بدون راننده، در میان سایر موارد کسب کرده اند. منصفانه است که بگوییم DL در حال تغییر زندگی روزمره ماست. در روند فناوری طراز اول منتخب Gartner در سال ۲۰۱۸، فناوریهای AI نماینده با DL در جایگاه ارشد رتبه بندی شدند.
طی دهه گذشته، یک افزایش قابل ملاحظه ای در مقدار فعالیت ترکیب موجود و داده های بیومدیکال به یمن ظهور تکنیک های تجربی جدید مانند HTS و سنتز موازی در میان سایرین وجود آمده است. اینکه چگونه و با چه کارایی داده های شیمی در مقیاس وسیع کاویده شود، یک مسئله حیاتی در کشفیات دارویی می باشد. حجم داده های بزرگتر همراه با فناوری خودکارسازی افزایش یافته باعث افزایش استفاده بیشتر از یادگیری ماشینی می شود. در کنار روشهای معین مانند ماشین های بردار پشتیبان یا SVM، شبکه های عصبی NN و جنگل تصادفی RF که برای ایجاد مدلهای QSAR برای مدت زمان طولانی استفاده شده اند، روشهایی مانند عامل گیری ماتریس و DL تازه شروع به کاربرد کرده اند. DL مزیت افزایش مقدار داده ها و افزایش مداوم قدرت کامپیوتر موجود را دارد. یک تفاوت میان اغلب روشهای یادگیری ماشینی دیگر و DL همان قابلیت انعطاف پذیری معماری NN در DL می باشد. معماری های مورد بحث در این مقاله مروری از نوع شبکه های عصبی در هم پیچشی CNN، شبکه های عصبی عودکننده RNN، و شبکه های تغذیه رو به جلو کاملا بهم مرتبط می باشند. NN های تک لایه در مدلسازی QSAR برای مدتهای طولانی استفاده می شده است. و با افزایش اندازه داده ها و قدرت محاسباتی طبیعی است که از شبکه های تغذیه رو به جلوی چندلایه برای پیشگویی های فعالیت زیستی استفاده بشود. یک پیشرفت تعجب اور استفاده از RNNها در طراحی های نوین است که نمی شد چند سال پیش آنرا پیش بینی نمود. با اتخاذ تجهیزات تصویربرداری سطح بالا، CNNها موفقیت قابل ملاحظه ای را در بینایی کامپیوتری کسب کرده اند و یک انتخاب طبیعی برای پردازش تصویری بیولوژیکی شده اند. عرصه بکارگیری DL در کشف دارو به سرعت با مقالات جدید منتشره تقریبا هر هفته در حال تحول و پیشرفت است.
اخیرا چندین مقاله مروری روی کاربردهای DL در شیمی محاسباتی و علوم حیاتی منتشر شده است. در اینجا تمرکز ما بیشتر روی کاربردهای DL در کشفیات دارویی بویژه در کموانفورماتیک و حوزه تحلیل تصویر بیولوژیکی است و معماریهای DL را که تا کنون برای کشفیات دارویی استفاده شده است، مورد تاکید قرار می دهد.

بخشی از مقاله انگلیسی

Over the past decade, deep learning has achieved remarkable success in various artificial intelligence research areas. Evolved from the previous research on artificial neural networks, this technology has shown superior performance to other machine learning algorithms in areas such as image and voice recognition, natural language processing, among others. The first wave of applications of deep learning in pharmaceutical research has emerged in recent years, and its utility has gone beyond bioactivity predictions and has shown promise in addressing diverse problems in drug discovery. Examples will be discussed covering bioactivity prediction, de novo molecular design, synthesis prediction and biological image analysis.

۱ Introduction

Digital data, in all shapes and sizes, is growing exponentially. According to the National Security Agency of the USA, the Internet is processing 1826 petabytes of data per day [1]. In 2011, digital information grew nine times in volume in just five years [2]; and by 2020 its amount in the world is expected to reach 35 trillion gigabytes [3]. The high demand of exploring and analyzing big data has encouraged the use of data-hungry machine learning algorithms like deep learning (DL). DL has gained huge success in a wide range of applications such as computer games, speech recognition, computer vision, natural language processing, selfdriving cars, among others [4]. It is fair to say that DL is changing our everyday life. In the Gartner-selected top ten technology trends of 2018, DL-represented AI technologies were ranked at the top position [5]. Over the past decade, there has been a remarkable increase in the amount of available compound activity and biomedical data [6,7] owing to the emergence of new experimental techniques such as HTS, parallel synthesis, among others [7,8]. How to efficiently mine the large-scale chemistry data becomes a crucial problem for drug discovery. Larger data volumes in combination with increased automation technology have promoted further use of machine learning. Besides established methods like support vector machines (SVM) [9], neural networks (NN) [10] and random forest (RF) [11], which have been utilized to develop QSAR models for a long time, methods like matrix factorization [12] and DL have started to be used. DL has taken advantage of the increased amounts of data and the continuous increase of available computer power. A difference between most other machine learning methods and DL is the flexibility of the NN architecture in DL. Architectures that will be discussed in this review are convolutional neural networks (CNNs), recurrent neural networks (RNNs) and fully connected feed-forward networks. Single-layer NNs have been used in QSAR modeling for a long time [10]; and with increasing data size and computational power have made it natural to apply multilayer feed-forward networks for bioactivity predictions. A somewhat surprising development has been the use of RNNs in de novo design which could not be foreseen a few years ago. With the adoption of high-throughput imaging equipment, CNNs have gained remarkable success in computer vision and have become a natural choice for biological image processing. The field of applying DL in drug discovery is rapidly progressing with new articles published almost every week. Recently, several reviews on DL applications in computational chemistry and life sciences have been published [13–۱۸]. Here, we focus more on DL applications in drug discovery particularly in the chemoinformatics and biological image analysis domains and highlight DL architectures used so far within drug discovery.