基于深度学习的化合物毒性预测平台文献综述

一、文献综述新药研发周期长、成功率低、资金耗费大，研发过程中候选药物的毒性是影响化合物能否成药的关键因素，为了保护人类免受化合物潜在的有害影响，化合物必须通过可靠的毒性测试[1]。

然而化合物的毒性测试有三大弊端：耗资大，周期长，以牺牲大量的实验动物为代价。

因此，业界开始尝试使用计算机辅助的方式预测候选药物的毒性，以减少时间和资金的耗费，降低药研成本[2]。

现有的计算机辅助毒性预测算法主要是支持向量机、随机森林、弹性网。

1) 支持向量机[3]（Support vector machines）是基于结化构风险最小概念的最大间隔分类器。

支持向量机广泛用于化学信息学。

支持向量机是基于相似性的机器学习方法，因此依赖于决定两种化合物相似性的核函数。

2) 随机森林（Random forests）[4]方法通过构建决策树进行分类，并在最终分类的许多决策树上进行平均。

每个单独的树只使用样本子集和特征子集，这两个子集都是随机选择的。

为了构建决策树，必须在树的每个节点上选择最优分离类的特征。