用少于10行代码训练前沿深度学习新药研发模型
?PaperWeekly?·?作者｜黃柯鑫
學(xué)校｜哈佛大學(xué)碩士生
研究方向｜圖學(xué)習(xí)和生物醫(yī)療
深度學(xué)習(xí)正在革新藥研發(fā)行業(yè)。在本文中，我們將展示如何使用 DeepPurpose，一個(gè)基于 PyTorch 的工具包來解鎖 50 多個(gè)用于藥物-靶標(biāo)相互作用（Drug-Target Interaction）預(yù)測(cè)的模型。
DTI 預(yù)測(cè)是新藥研發(fā)中的一項(xiàng)基本任務(wù)。DeepPurpose 的操作模式是像 scikit-learn 一樣。只需幾行代碼，就可以利用最前沿的深度學(xué)習(xí)和藥物研發(fā)模型。DeepPurpose 還有一個(gè)簡單的界面來做 DTI 預(yù)測(cè)的兩個(gè)重要應(yīng)用：虛擬篩選（Virtual Screening）和舊藥新用（Drug Repurposing）。要了解更多信息，請(qǐng)?jiān)L問 arxiv 文章和 Github。
論文標(biāo)題：DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction and Applications to Repurposing and Screening
論文鏈接：https://arxiv.org/abs/2004.08919
項(xiàng)目鏈接：https://github.com/kexinhuang12345/DeepPurpose
發(fā)現(xiàn)一種新藥要花費(fèi) 10 年以上的時(shí)間，成本要超過 26 億美元 [1]。最近，許多 AI 藥物研發(fā)創(chuàng)業(yè)公司出現(xiàn)并成功應(yīng)用了深度學(xué)習(xí)技術(shù)來輔助新藥研發(fā)，并大大縮短了時(shí)間/節(jié)省成本 [2,3]。在國內(nèi)前兩天在世界人工智能大會(huì)，大藥廠 AstraZeneca 的演講和騰訊的云深智藥平臺(tái)發(fā)布，都預(yù)示著人工智能新藥研發(fā)將會(huì)在未來非常的火。因此，這是一個(gè)非常令人興奮和蓬勃發(fā)展的領(lǐng)域！
▲ Image by authors.
背景
讓我們從一些生物化學(xué)概念開始。疾病通常歸因于疾病途徑中的靶蛋白。藥物可以用來調(diào)節(jié)這個(gè)靶蛋白，以此來治愈疾病。相當(dāng)于是斷了這個(gè)疾病的發(fā)生途徑。其中一個(gè)主要的藥物作用機(jī)制是“鎖與鑰匙”理論 [4]。靶蛋白是“鎖” ，而藥物是那把合適的“鑰匙” 以解鎖這個(gè)靶蛋白。鎖和鑰匙的匹配程度也被稱為綁定親和力（binding affinity）。
▲?Image permission granted by Christopher Vakoc.
藥物-靶標(biāo)相互作用（Drug-Target Interaction, DTI）測(cè)量的就是藥物分子與蛋白質(zhì)靶標(biāo)的結(jié)合親和力。因此，我們可以輕松地想象到，如果一個(gè) DTI 深度學(xué)習(xí)預(yù)測(cè)模型能準(zhǔn)確預(yù)測(cè)藥物分子與蛋白質(zhì)靶標(biāo)的結(jié)合親和，它可以極大地有益于藥物的發(fā)現(xiàn) [5]。
更具體地說，虛擬篩選（Virtual Screening）和舊藥新用（Drug Repurposing）是基于 DTI 的兩個(gè)主要應(yīng)用。虛擬篩選有助于識(shí)別可以與目標(biāo)蛋白質(zhì)結(jié)合的配體候選物，而藥物重新定位則為現(xiàn)有藥物找到新的治療目的。
▲ Image by authors.
DeepPurpose概述
DeepPurpose 將 DTI 模型表述為編碼器-解碼器 (encoder-decoder) 框架, 這個(gè)框架包括以前的大部分工作 [6,7,8,9,10]，并還包括了很多新的模型。兩個(gè)編碼器（encoder）分別為藥物和蛋白質(zhì)生成 embedding，然后將它們串聯(lián)到解碼器（decoder）中，在 decoder 中預(yù)測(cè)結(jié)合親和力（binding affinity score）。DeepPurpose 是用 PyTorch 寫的。
▲ Image by authors.
DeepPurpose 使用最容易的輸入數(shù)據(jù)格式。輸入是藥物靶標(biāo)對(duì)（drug-target pair），其中藥物使用 SMILES 字符串（藥物分子圖像上的 Depth-First Traversal），而靶蛋白則使用氨基酸序列（amino acid sequence）。輸出是指示藥物-靶對(duì)的結(jié)合活性的分?jǐn)?shù)。
▲ Image by authors.
對(duì)于藥物分子，我們提供了 8 種 encoder：四個(gè)經(jīng)典的化學(xué)信息學(xué)指紋（Morgan，Pubchem，Daylight 和 RDKit 2D），并在它們之上用深度神經(jīng)網(wǎng)絡(luò)（DNN）；1D 卷積神經(jīng)網(wǎng)絡(luò)（CNN），在 SMILES 字符串上；在 CNN 之上加上遞歸神經(jīng)網(wǎng)絡(luò)，以利用序列順序上的信息；子結(jié)構(gòu)分區(qū)指紋上的 Transformer [11]；分子圖上的圖神經(jīng)網(wǎng)絡(luò)（Message Passing Neural Network）。
▲ Image by authors.
對(duì)于靶蛋白，我們提供了 7 種 encoder：在四個(gè)經(jīng)典計(jì)算生物學(xué)指紋（AAC，PseAAC，Conjoint Triad, Quasi-sequence）之上的 DNN；在上的氨基酸序列上的 1D CNN；在 CNN 加 RNN；和在 substructure fingerprint 上用 transformer。
▲ Image by authors.
DeepPurpose 總共提供了 56 種（8 乘 7）模型！另外，大多數(shù)模型都是 novel 的！
DeepPurpose編程框架
現(xiàn)在，在對(duì) DTI 和 DeepPurpose 進(jìn)行概念性概述之后，我將開始介紹 DeepPurpose 編程框架。該框架由幾個(gè)步驟組成，其中每個(gè)步驟都由一行代碼組成：
Data loading（數(shù)據(jù)加載）?
Encoder specification（編碼器規(guī)格）
Data encoding and split（數(shù)據(jù)編碼和分割）
Model configuration generation（模型配置生成）
Model initialization（模型初始化）
Model training（模型訓(xùn)練）
Repurposing/Screening（舊藥新用/虛擬篩選）
Model saving and loading（模型保存和加載）
為了獲得更好的學(xué)習(xí)體驗(yàn)，建議在您自己的 Jupyter Notebook 中或通過這個(gè)帖子的筆記本執(zhí)行以下步驟。
https://github.com/kexinhuang12345/DeepPurpose/blob/master/Tutorial_1_DTI_Prediction.ipynb
要安裝 DeepPurpose，您可以使用 DeepPurpose Binder 云筆記本（只需單擊鏈接！）：
https://mybinder.org/v2/gh/kexinhuang12345/DeepPurpose/master
也可以使用本地 DeepPurpose 環(huán)境。可以在此處找到安裝說明：
https://github.com/kexinhuang12345/DeepPurpose#install--usage
還可以在其中找到視頻安裝教程：
https://youtu.be/bqinehjnWvE
Data loading（數(shù)據(jù)加載）
DeepPurpose 接受 1. 一個(gè)藥物的 SMILES 字符串的 NumPy array（X_drugs）；2. NumPy 陣列的一個(gè)靶蛋白的氨基酸序列 NumPy array（X_targets）；3. 一個(gè)標(biāo)簽 NumPy array（y）。
這個(gè) y 可以是 binary 的 0/1，表示這個(gè)藥物和靶蛋白會(huì)不會(huì)反應(yīng)；也可以是表示綁定親和力值的實(shí)數(shù)。這個(gè) input 藥物和靶蛋白和標(biāo)簽應(yīng)成對(duì)，即 y [0] 是 X_drugs [0] 和 X_targets [0] 的標(biāo)簽。DeepPurpose 會(huì)根據(jù)數(shù)據(jù)集自動(dòng)在二分類任務(wù)或回歸任務(wù)之間切換。?
除了通過自己處理轉(zhuǎn)換為 NumPy array 外，DeepPurpose 還提供基準(zhǔn)數(shù)據(jù)集（benchmark）加載器（DAVIS / KIBA / BindingDB）以簡化預(yù)處理。例如，在本文中，我們將使用 DAVIS 數(shù)據(jù)集：
from?DeepPurpose?import?utils,?models,?datasetX_drugs,?X_targets,?y?=?dataset.load_process_DAVIS(path?=?'./data',?binary?=?False,?convert_to_log?=?True,?threshold?=?30) print('Drug?1:?'?+?X_drugs[0]) print('Target?1:?'?+?X_targets[0]) print('Score?1:?'?+?str(y[0]))#?------?Output?------ #?Beginning?Processing... #?Beginning?to?extract?zip?file... #?Default?set?to?logspace?(nM?->?p)?for?easier?regression #?Done! #?Drug?1:?CC1=C2C=C(C=CC2=NN1)C3=CC(=CN=C3)OCC(CC4=CC=CC=C4)N #?Target?1:?MKKFFDSRREQGGSGLGSGSSGGGGSTSGLGSGYIGRVFGIGRQQVTVDEVLAEGGFAIVFLVRTSNGMKCALKRMFVNNEHDLQVCKREIQIMRDLSGHKNIVGYIDSSINNVSSGDVWEVLILMDFCRGGQVVNLMNQRLQTGFTENEVLQIFCDTCEAVARLHQCKTPIIHRDLKVENILLHDRGHYVLCDFGSATNKFQNPQTEGVNAVEDEIKKYTTLSYRAPEMVNLYSGKIITTKADIWALGCLLYKLCYFTLPFGESQVAICDGNFTIPDNSRYSQDMHCLIRYMLEPDPDKRPDIYQVSYFSFKLLKKECPIPNVQNSPIPAKLPEPVKASEAAAKKTQPKARLTDPIPTTETSIAPRQRPKAGQTQPNPGILPIQPALTPRKRATVQPPPQAAGSSNQPGLLASVPQPKPQAPPSQPLPQTQAKQPQAPPTPQQTPSTQAQGLPAQAQATPQHQQQLFLKQQQQQQQPPPAQQQPAGTFYQQQQAQTQQFQAVHPATQKPAIAQFPVVSQGGSQQQLMQNFYQQQQQQQQQQQQQQLATALHQQQLMTQQAALQQKPTMAAGQQPQPQPAAAPQPAPAQEPAIQAPVRQQPKVQTTPPPAVQGQKVGSLTPPSSPKTQRAGHRRILSDVTHSAVFGVPASKSTQLLQAAAAEASLNKSKSATTTPSGSPRTSQQNVYNPSEGSTWNPFDDDNFSKLTAEELLNKDFAKLGEGKHPEKLGGSAESLIPGFQSTQGDAFATTSFSAGTAEKRKGGQTVDSGLPLLSVSDPFIPLQVPDAPEKLIEGLKSPDTSLLLPDLLPMTDPFGSTSDAVIEKADVAVESLIPGLEPPVPQRLPSQTESVTSNRTDSLTGEDSLLDCSLLSNPTTDLLEEFAPTAISAPVHKAAEDSNLISGFDVPEGSDKVAEDEFDPIPVLITKNPQGGHSRNSSGSSESSLPNLARSLLLVDQLIDL #?Score?1:?7.3655227298392685 #?--------------------您還可以使用 dataset.read_file_training_dataset_drug_target_pairs 函數(shù)從 txt 文件加載自己的數(shù)據(jù)集，其中每行是藥物 SMILES 字符串，目標(biāo)氨基酸序列和結(jié)合分?jǐn)?shù)。
Encoder specification（編碼器規(guī)格）?
獲得所需的數(shù)據(jù)格式后，我們需要首先指定用于藥物和蛋白質(zhì)的編碼器 (encoder)。在這里，我們嘗試將 MPNN 用作藥物，將 CNN 用作靶蛋白的 encoder。請(qǐng)注意，您只需更改編碼名稱即可切換編碼器。此處列出了 DeepPurpose 編碼器的完整列表：
https://github.com/kexinhuang12345/DeepPurpose#encodings?
如果使用 CPU 來運(yùn)行此文章的 code，您會(huì)發(fā)現(xiàn) MPNN 和 CNN 有點(diǎn)大，則可以嘗試使用較小的編碼器，例如 Morgan 用于藥物，而 Conjoint_triad 用于靶蛋白。
drug_encoding,?target_encoding?=?'MPNN',?'CNN' #drug_encoding,?target_encoding?=?'Morgan',?'Conjoint_triad'Data encoding and split（數(shù)據(jù)編碼和分割）
現(xiàn)在，我們需要使用 utils.data_process 函數(shù)為不同的編碼器準(zhǔn)備數(shù)據(jù)編碼。在這個(gè)函數(shù)中，我們可以指定 train/validation/test split，隨機(jī)種子以確保可重復(fù)性。
它還支持其他數(shù)據(jù)拆分方法（例如 Cold_drug 和 Cold_protein），該方法可以在藥物/蛋白質(zhì)上進(jìn)行 split，這樣子 test set 就測(cè)試 train set 不在的的藥物/蛋白質(zhì)，以此來對(duì)模型進(jìn)行魯棒性評(píng)估。這個(gè)函數(shù)輸出的是訓(xùn)練，驗(yàn)證和測(cè)試集的 Pandas Dataframe。
train,?val,?test?=?utils.data_process(X_drugs,?X_targets,?y,?drug_encoding,?target_encoding,?split_method='random',frac=[0.7,0.1,0.2],random_seed?=?1)#?------?Output?------? #?in?total:?30056?drug-target?pairs #?encoding?drug... #?unique?drugs:?68 #?drug?encoding?finished... #?encoding?protein... #?unique?target?sequence:?379 #?protein?encoding?finished... #?splitting?dataset... #?Done. #?--------------------Model configuration generation（模型配置生成）
現(xiàn)在，我們要生成一個(gè)模型的配置（config）。您可以在此功能中修改幾乎所有超參數(shù)（例如 learning rate，epoch size，batch size），模型參數(shù)（例如hidden dimension，filter size 等等）。所有支持的配置參數(shù)在此鏈接中列出：
https://github.com/kexinhuang12345/DeepPurpose/blob/e169e2f550694145077bb2af95a4031abe400a77/DeepPurpose/utils.py#L486
config?=?utils.generate_config(drug_encoding?=?drug_encoding,?target_encoding?=?target_encoding,?cls_hidden_dims?=?[1024,1024,512],?train_epoch?=?5,?LR?=?0.001,?batch_size?=?128,hidden_dim_drug?=?128,mpnn_hidden_size?=?128,mpnn_depth?=?3,?cnn_target_filters?=?[32,64,96],cnn_target_kernels?=?[4,8,12])?
Model initialization（模型初始化）
接下來，我們使用以上配置初始化模型：
model?=?models.model_initialize(**config)Model training（模型訓(xùn)練）
現(xiàn)在，只需鍵入 model.train 函數(shù)即可進(jìn)行訓(xùn)練！
Loss 曲線將自動(dòng)產(chǎn)生。如果該任務(wù)是二分類（binary classification）任務(wù)，則還將產(chǎn)生測(cè)試集上的 ROC-AUC 和 PR-AUC 曲線。
Repurposing/Screening（舊藥新用/虛擬篩選）
訓(xùn)練完模型后，我們可以使用 models.repurpose 和 models.virtual_screening 函數(shù)簡單地做舊藥新用和虛擬篩選。
接下來我們來舉個(gè)例，我們想針對(duì) COVID-19 靶標(biāo) 3CL 蛋白酶從一組已經(jīng)上市的抗病毒藥物中選取看看會(huì)不會(huì)反應(yīng)。我們只要先 load 這個(gè)數(shù)據(jù)然后直接使用 models.repurpose 函數(shù)即可。我們?cè)?DeepPurpose.dataset 中提供了相應(yīng)的數(shù)據(jù)。
target,?target_name?=?dataset.load_SARS_CoV2_Protease_3CL() repurpose_drugs,?repurpose_drugs_name,?repurpose_drugs_pubchem_cid?=?dataset.load_antiviral_drugs()y_pred?=?models.repurpose(X_repurpose?=?repurpose_drugs,?target?=?target,?model?=?model,?drug_names?=?repurpose_drugs_name,?target_name?=?target_name,?result_folder?=?"./result/",?convert_y?=?True)#?------?Output?------ #?repurposing... #?in?total:?82?drug-target?pairs #?encoding?drug... #?unique?drugs:?81 #?drug?encoding?finished... #?encoding?protein... #?unique?target?sequence:?1 #?protein?encoding?finished... #?Done. #?predicting... #?--------------------DeepPurpose 會(huì)自動(dòng)生成候選藥物排名列表：
注意因?yàn)檫@個(gè)模型只訓(xùn)練了幾個(gè) Epoch，而且在一個(gè)小的數(shù)據(jù)集上所以這個(gè)列表可能不是很準(zhǔn)確。但我們發(fā)現(xiàn)在大的模型上進(jìn)行訓(xùn)練，DeepPurpose 產(chǎn)出了很多在臨床研究的藥物。
DeepPurpose 更加實(shí)際的應(yīng)用場(chǎng)景是做縮小高通量篩選實(shí)驗(yàn)的范圍。在這些列表中，我們可以剔除那些親和力很低的藥物分子，然后把其他的送到高通量篩選實(shí)驗(yàn)中，這樣子可以大量的減少高通量篩選實(shí)驗(yàn)的成本并也不遺漏可能的藥物分子。
接下來，我們展示如何對(duì) BindingDB 數(shù)據(jù)集中的數(shù)據(jù)樣本進(jìn)行虛擬篩選，然后使用 virtual_screening 函數(shù)生成具有高結(jié)合親和力的藥物-靶標(biāo)對(duì)列表。如果未提供藥物/靶標(biāo)名稱，則使用藥物/靶標(biāo)列表的 Index。會(huì)生成一個(gè)看起來跟上面相似的排名列表。
Model saving and loading（模型保存和加載）?
最后，保存和加載模型也非常容易。加載功能還自動(dòng)檢測(cè)模型是否在多個(gè)GPU上訓(xùn)練。保存和加載我們剛剛訓(xùn)練的模型的例子：
model.save_model('./tutorial_model') model?=?models.model_pretrained(path_dir?=?'./tutorial_model')我們還提供了很多預(yù)訓(xùn)練模型，您可以在列表下找到所有可用的模型。
https://github.com/kexinhuang12345/DeepPurpose#pretrained-models
例如，要加載在 BindingDB Kd 數(shù)據(jù)集上預(yù)先訓(xùn)練的 MPNN + CNN 模型：
model?=?models.model_pretrained(model?=?'MPNN_CNN_BindingDB')#?------?Output?------ #?Beginning?Downloading?MPNN_CNN_BindingDB?Model... #?Downloading?finished...?Beginning?to?extract?zip?file... #?pretrained?model?Successfully?Downloaded... #?--------------------That's it！您現(xiàn)在已經(jīng)可以為藥物-靶標(biāo)相互作用預(yù)測(cè)任務(wù)訓(xùn)練出 State-of-the-art 的深度學(xué)習(xí)模型了！?
DeepPurpose 還支持更多功能，例如，這個(gè)鏈接演示了如何使用 Ax 平臺(tái)用超參數(shù)調(diào)整方法，像 Bayesian Optimization 等對(duì) DeepPurpose 進(jìn)行優(yōu)化。
https://github.com/kexinhuang12345/DeepPurpose/blob/master/DEMO/Drug_Property_Pred-Ax-Hyperparam-Tune.ipynb
最后，許多現(xiàn)實(shí)世界中的藥物開發(fā)都涉及 assay，即數(shù)據(jù)僅由藥物分子和與靶標(biāo)的結(jié)合分?jǐn)?shù)組成。該問題也稱為藥物性質(zhì)預(yù)測(cè)（drug property prediction）任務(wù)。DeepPurpose 對(duì)這類任務(wù)也可以用。即只使用藥物編碼器（drug encoder）來預(yù)測(cè)結(jié)合分?jǐn)?shù)。該框架與 DTI 預(yù)測(cè)非常相似，如下所示：
from?DeepPurpose?import?utils,?models,?dataset,?property_predX_drugs,?X_targets,?y?=?dataset.load_AID1706_SARS_CoV_3CL(path?=?'./data',?binary?=?True,?threshold?=?15,?balanced?=?True)drug_encoding?=?'MPNN'train,?val,?test?=?utils.data_process(X_drug?=?X_drugs,?y?=?y,?drug_encoding?=?drug_encoding,split_method='random',frac=[0.7,0.1,0.2],random_seed?=?1)config?=?utils.generate_config(drug_encoding?=?drug_encoding,?cls_hidden_dims?=?[1024,1024,512],?train_epoch?=?5,?LR?=?0.001,?batch_size?=?128,hidden_dim_drug?=?128,mpnn_hidden_size?=?128,mpnn_depth?=?3)model?=?property_pred.model_initialize(**config)model.train(train,?val,?test)更詳細(xì)說明，您可以在此處找到此博客文章的 Jupyter Notebook。
DTI 預(yù)測(cè)：
https://github.com/kexinhuang12345/DeepPurpose/blob/master/Tutorial_1_DTI_Prediction.ipynb
藥物特性預(yù)測(cè)：
https://github.com/kexinhuang12345/DeepPurpose/blob/master/Tutorial_2_Drug_Property_Pred_Assay_Data.ipynb
總結(jié)
這就是我們有關(guān) DeepPurpose 和 DTI 預(yù)測(cè)的博客文章，希望您對(duì)深度學(xué)習(xí)新藥研發(fā)這個(gè)交叉學(xué)科開始感興趣。希望有更多的人能夠?yàn)檫@個(gè)開源項(xiàng)目做出貢獻(xiàn)！?
要了解更多信息，請(qǐng)?jiān)L問 arxiv 文章和 Github，請(qǐng) star，分享并 contribute！?
這篇文章是由我，Kexin Huang，還有 Tianfan Fu，Lucas Glass，Marinka Zitnik，Cao Xiao 和 Jimeng Sun 共同合作。?
如果您有任何疑問或反饋或文章中有任何不妥的地方，請(qǐng)隨時(shí)通過 kexinhuang@hsph.harvard.edu 與我聯(lián)系；或者就在 Twitter @ KexinHuang5，知乎上直接私我。?
參考文獻(xiàn)
[1] Mullard, A. New drugs cost US$2.6 billion to develop. Nature Reviews Drug Discovery (2014).?
[2] Fleming, Nic. How artificial intelligence is changing drug discovery. Nature (2018).?
[3] Smalley, E. AI-powered drug discovery captures pharma interest. Nature Biotechnology (2017).?
[4] Gschwend DA, Good AC, Kuntz ID. Molecular docking towards drug discovery. Journal of Molecular Recognition: An Interdisciplinary Journal (1996).?
[5] Mayr, Andreas, et al. Large-scale comparison of machine learning methods for drug target prediction on ChEMBL. Chemical science (2018).?
[6] ?ztürk H, ?zgür A, Ozkirimli E. DeepDTA: deep drug-target binding affinity prediction. Bioinformatics (2018).?
[7] Nguyen, Thin, Hang Le, and Svetha Venkatesh. GraphDTA: prediction of drug–target binding affinity using graph convolutional networks. BioRxiv (2019).?
[8] Tsubaki, Masashi, Kentaro Tomii, and Jun Sese. Compound–protein interaction prediction with end-to-end learning of neural networks for graphs and sequences. Bioinformatics (2019).?
[9] Lee, Ingoo, Jongsoo Keum, and Hojung Nam. DeepConv-DTI: Prediction of drug-target interactions via deep learning with convolution on protein sequences. PLoS computational biology (2019).?
[10] Chen, Xing, et al. Drug–target interaction prediction: databases, web servers and computational models. Briefings in bioinformatics (2016).?
[11] Huang K, Xiao C, Hoang T, Glass L, Sun J. CASTER: Predicting Drug Interactions with Chemical Substructure Representation. AAAI (2020).
?
更多閱讀
?
#投 稿?通 道#
?讓你的論文被更多人看到?
如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。
總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?
PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來。
?????來稿標(biāo)準(zhǔn)：
? 稿件確系個(gè)人原創(chuàng)作品，來稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?
? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?
? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志
?????投稿郵箱：
? 投稿郵箱：hr@paperweekly.site?
? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?
? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通
????
現(xiàn)在，在「知乎」也能找到我們了
進(jìn)入知乎首頁搜索「PaperWeekly」
點(diǎn)擊「關(guān)注」訂閱我們的專欄吧
關(guān)于PaperWeekly
PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的用少于10行代码训练前沿深度学习新药研发模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： A股燃气股批量涨停 国际天然气价格涨了十
- 下一篇： 每月定投500元有意义吗 投资时需要长