豐色 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
AI制藥，讓“大海撈針”變成“按圖索驥”，研發(fā)時間一度從10年縮短到18個月！
而一個好的開源平臺也是未來AI醫(yī)藥研發(fā)發(fā)展的關鍵之一。
現在，來自加拿大蒙特利爾學習算法研究所（Mila）的唐建團隊，就推出了一個專門用于AI藥物研發(fā)的開源機器學習平臺——TorchDrug。
研究人員可以在該平臺上免費使用或貢獻AI藥研相關的算法、庫、軟件等工具。
唐建表示：
希望這個平臺能夠將機器學習和生物醫(yī)學界的研究人員聚集在一起，加速新藥發(fā)現的過程，并在未來成為該領域一個領先的開源平臺。
基于PyTorch的藥物研發(fā)原型設計平臺
TorchDrug涵蓋了從圖機器學習 （圖神經網絡、幾何深度學習和知識圖譜）、深度生成模型到強化學習的技術，基于PyTorch平臺。
提供了一個全面而靈活的接口來支持藥物發(fā)現模型的快速原型設計。
可以用來進行成藥屬性預測、預訓練分子表征、分子生成、逆合成以及知識圖譜推理，官方也提供了詳細的教程。
該平臺主要有四個特點：
- 最小化的領域知識
由于平臺主要面向對于醫(yī)藥知識了解不全面的機器學習者，所以抽象了大量專業(yè)知識，提供了一個基于張量的接口。從而允許使用者用張量代數和機器學習方法來進行醫(yī)藥開發(fā)。
- 大量數據集和構造塊（Building Blocks）
這樣無需編寫樣板代碼就能很容易地實現標準模型。此外，構建塊也具有高可擴展性方便使用者自由探索模型設計。
- 全面的基準測試
為了提供對流行的深度學習框架系統(tǒng)的比較，平臺已對現有的一些項目進行了全面的基準測試。測試結果也有望跟蹤新模型的進展，激發(fā)新的研究方向（可在官網查看）。
- 可擴展訓練和推理
可擴展的設計可加速在多個CPU或GPU之間的訓練和推理。只需修改一行代碼，就能實現在CPU、GPU甚至分布式配置之間無縫切換。
后續(xù)團隊將通過幾何深度學習為該平臺增加3D建模功能。
安裝接口需Python版本>= 3.5，PyTorch>= 1.4.0，方法有兩種：
- 從conda
- 從GitHub源
先通過conda獲得TorchDrug依賴的化學信息學開源工具包rdkit：
研發(fā)團隊
研發(fā)團隊所在的實驗室Mila，是圖靈獎得主、加拿大蒙特利爾大學教授Yoshua Bengio于1993年創(chuàng)立的AI研究機構。
有500多名專門從事機器學習的研究人員，主要貢獻集中在語言模型、機器翻譯、對象識別和生成模型。
TorchDrug平臺的開發(fā)由Mila實驗室的助理教授、加拿大蒙特利爾大學商學院博士生導師唐建領導。
唐教授2014年博士畢業(yè)于北京大學信息科學技術學院，2014-2016年任職微軟亞洲研究院副研究員，2016-2017年成為密歇根大學和卡內基梅隆大學聯合培養(yǎng)博士后。
主要研究方向為：圖表示學習、圖研究網絡、知識圖譜、藥物發(fā)現。
曾獲得機器學習頂級會議ICML2014的最佳論文，發(fā)表的一系列在圖表示學習領域的經典論文包括LINE、LargeVis、RotatE以及Graph Markov Neural Networks (GMNN)。
團隊成員還包括多位該實驗室的華人博士學生以及來自清華北大上交大的交換生。
還得到了Bengio等十余位AI、生物學領域學者的指導：
TorchDrug官網：
https://torchdrug.ai/
GitHub地址：
https://github.com/DeepGraphLearning/torchdrug/
參考鏈接：
https://mila.quebec/en/a-team-led-by-mila-researcher-jian-tang-launches-torchdrug-an-open-source-platform-for-drug-discovery/
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態(tài)
版權聲明：本文內容由互聯網用戶自發(fā)貢獻，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發(fā)現本站有涉嫌抄襲侵權/違法違規(guī)的內容， 請發(fā)送郵件至 舉報，一經查實，本站將立刻刪除。
