21全体大会

虚拟筛选： 通过机器学习模型预测分子特性，从海量化合物中筛选出潜在的有效成分，大大减少了实验成本。例如，在寻找新型抗生素Halicin的过程中，使用AI辅助筛选出具有抗菌活性的分子，随后进行体内实验验证其疗效。这样看来，AI可以显著加快药物研发进程。

设计新分子： 不仅要从现有的分子库中挑出合适的候选者，还需要创造前所未有的分子结构。比如，Wengong Jin在其研究中模拟化学家的设计思路，先训练模型预测分子特性，再根据需要组合不同的子结构生成满足特定需求的新分子。也就是说，这种方法结合了机器学习的强大预测能力和化学家的专业知识，为药物设计提供了新途径。

数学工具： 路径签名作为一种新的数学工具，能够对非参数化的流进行描述，适用于各种复杂的演化数据，如金融市场事件、在线手写笔记等。Terry Lyons指出，通过路径签名可以捕捉到流数据的本质特征而不受采样速度的影响，从而更好地理解数据流。例如，在动作识别中，路径签名能准确区分不同类型的运动轨迹，提高了识别精度。

挑战与应对： 在化学领域，训练集和测试集往往存在较大差异，这对模型的泛化能力提出了更高要求。本文件提到，Wengong Jin等人通过创建包含不同scaffold的分子环境来训练模型，使得模型能够在未见过的化学空间部分上依然保持良好表现。这种做法类似于在图像识别中使用数据增强技术，增强了模型的鲁棒性和适应性。