众所周知，图是一种普遍存在的数据结构，主要应用于计算机科学领域。它们是许多研究的支柱，可以很好地判断所研究的各种实体之间的关系。因此，改进药物发现和开发的冲动导致了不同的技术进步，其中包括将图机器学习纳入其中，正如最近在arXiv.org上发表的一篇研究文章中所详述的那样。

从药物发现到上市的过程会出现高水平的损耗。这为投资过程中的不确定性让路。尽管多年来一直致力于提高效率，但仍有改进的空间。需要应用计算方法来加快药物发现和开发管道的各个部分。

为了用图推动事情的发展，现代正在见证图机器学习(GML)在药物发现和开发中的应用。神经分析和深度学习的融合是图机器学习(GML)，这是一类利用图和其他不规则数据集结构的新型ML方法。GML模拟生物分子结构、它们之间的功能关系以及集成多组学数据集的能力使它们在制药和生物技术行业中受到关注。

GML背后的想法是使用节点的特征表示，使用边表示交互，或使用整个图来预测某个系统的操作。一种称为图神经网络(GNN)的深度神经网络架构正吸引着越来越多的科学观众的兴趣。这些神经网络专为图结构数据而设计。GNN从相邻节点获取信息并更新图节点的特征。这些方法已经成功地应用于社交媒体、电子商务、谷歌地图和其他各种领域的交通检测。

GML方法现在将在生物医学行业留下足迹。这将通过研究和准备药物-靶标-适应症相互作用、分子特性预测等图结构来完成。在该领域，甚至通过GNN直接传递消息来提出重新利用候选物以开发抗体。GML方法在整个药物开发管道的应用中似乎非常有前途。

图机器学习方法被分解为两部分：编码器和解码器。编码器嵌入节点或图形。通过首先嵌入节点然后应用置换池函数来生成图来嵌入图。解码器用于计算相关任务的输出。最终任务可以按照多种二分法进行分类：监督/无监督、归纳/转导和节点级/图级。该研究论文使用传统的几何、矩阵/张量分解和图神经网络来理解GML模型。

图神经网络(GNN)在用于表示学习的图结构数据集上扩散信息。他们有三个功能：1)消息，其允许节点之间的信息交换，2)此Agg，结合接收到的消息到单个的，固定长度的表示，以及3)更新使用以前的表示，以产生节点级表示。

GNNs在药物研发中的应用

在药物发现过程之后，然后将其推向市场，有一些失败和损耗。接下来的部分展示了如何将GML纳入药物发现和开发过程的每个阶段。

–目标识别

在此，寻找在病理生理学中具有重要功能作用的分子靶标。有无数互补的实验证据支持目标识别。

GML为我们提供了一些多产的生物学表示。使用GML，我们不需要依赖预先存在的和不完整的知识。

–小分子疗法的设计

药物的设计可分为表型药物发现和基于靶点的药物发现。已经进行的研究显示了药物设计的研究，考虑了建模原理、分子特性预测、增强的高通量筛选和从头设计。

–新生物实体的设计

新生物实体(NBE)在生命系统中产生，通常被称为生物产品或生物制品。这些是多样化的，从蛋白质(>40个氨基酸)、肽、抗体到细胞和基因疗法。它们对翻译后修饰的敏感性使它们对环境条件敏感。

–药物再利用

药物再利用是指为新的治疗目的对现有或批准的药物进行研究。重新利用的药物开发时间更短，成功率更高。据估计，重新调整用途的治疗约占FDA批准的药物及其相关收入的30%。

结束语

我们已经讨论了GML如何在解决图形级问题时产生有效的结果，涉及新药物的开发或其他类型的生物分子。

由于与药物发现和开发相关的大量费用，集成计算机模拟和实验研究具有重要的战略意义。GML允许表示非结构化多模态数据集，这可能是导致它们在生物技术行业中更广泛采用的驱动因素，尽管GML技术仍处于早期研究阶段。