提速30万倍！谷歌AI可准确预测化学分子性质

来源：作者：人气：-发表时间：2017-05-08 09:58:00【大中小】

今年2月，《自然》封面报道了用人工智能诊断皮肤癌的重磅研究，彰显了人工智能在疾病诊断上的无限潜力。

近期，谷歌（Google）的博客上刊登了一篇文章，介绍了谷歌在人工智能与机器学习领域取得的最新进展。在这篇文章中，谷歌与DeepMind以及瑞士巴塞尔大学（University of Basel）一同做出了突破——利用机器学习的方法，他们能准确预测分子的性质！这对于药物发现来说，有着重要的里程碑意义。

人工智能在疾病诊断上的无限潜力

新的化学分子预示着新的无限可能，因此寻找新分子一直是化学研究中令人激动的一环。在历史上，化学家们往往使用薛定谔方程的数值近似来做计算化学上的研究，其中就包括了一种叫做“密度泛函理论”的量子力学方法。这种方法在化学上有重要价值——它能分析预测分子的性质，因此有着广泛的应用价值。然而，这一方法对计算能力的要求很高，因此每次进行研究分析的计算量有限，这也在一定程度上限制了它的应用。如果能找到一种全新、准确、而又快速的分子性质预测方法，无疑将为整个领域带来突破。

来自谷歌的科学家们想到了近年来火热的人工智能。先前，他们发现，人工智能在病理诊断上展现出了远超人类的能力——在乳腺癌的诊断中，专业的病理学家花了30个小时做的病理分析，竟不如一款人工智能准确。此外，人们也发现，人工智能诊断皮肤癌的准确度也要高于皮肤科医生。同理，人工智能方法也许能大幅提高化学发现的准确度与效率，为该领域带来改变。

为了验证这一想法，研究人员首先开发了多款基于机器学习的方法，并从数据库中提取出了超过10万种化学分子，供这些方法学习。后续的检验表明，经过深度学习后，这些机器学习方法的近似误差接近“密度泛函理论”，其中神经网络（neural network）与核岭回归（kernel ridge regression）两类方法的表现尤佳。概念性的验证无疑给研究人员打了一剂强心针，也让他们决定继续进行深入研究。

在后续工作中，研究人员选择了深度的神经网络作为突破口。神经网络在识别图像相关的数据上，已经展现出了独有的优势，这一点对化学分子的性质预测而言格外有利。人们能将分子结构简化为图像，用点来代替原子，用线来代替化学键。这样一来，神经网络就能直接读取这些分子的结构，并学习它们的性质。先前，不少研究已经催生了一些类似的神经网络工具，而谷歌的研究人员则进一步将它们进行了调整与整合，将它们合并成一个叫做“信息传递神经网络”（Message Passing Neural Networks，缩写MPNN）的框架。研究人员们相信，这款神经网络能有效地预测分子的性质。

他们拿了业内的标准来作为检测的依据。在主要的13种化学性质中，这款神经网络能准确地预测其中的11种性质，这足以为化学家们提供有用的信息。更关键的是，它比常规的“密度泛函理论”要快上30万倍！

研究人员相信，能够对化学分子的性质进行预测，将在化学领域、药物发现领域的应用中释放巨大潜力。最终，这些预测结果将助力人们设计并开发出新的药物，造福人类。