一般而言，用于 AI 制药的深度神经网络通常含有输入层、隐含层和输出层三层结构。生物数据首先需要转换为输入值数组，然后这些值被输入隐藏层运算。深度神经网络的其中一个挑战便是定义网络的深度和宽度即隐藏层和每层节点的数量。一层中的每个节点从前一层的所有节点获取输入信息，然后对输入信息进行数学变换，之后再进行正向反馈。最终在输出层输出输入数据的最终演算结果。其中所涉及的非线性转换的数量越多，对最高级别层的解释也就变的越困难。此类网络目前主要是通过不断迭代输入值数组，根据输入和输出结果之间的关系来评估模型特征和权重。通过归因分数、相关性系数或权重共享系数等方法给出特征重要性评分。另外一种深度神经网络模型则选择用可见层取代隐藏层。这类算法主要基于统计学和生物信息学的知识图谱，利用生物学底层逻辑将运算串联起来，使得每一层的数据产生机理得到解释。这一类型的可见层中往往采用基因本体论(Gene Ontology)等生物信息学相关网络构来定义输入层和输出层的连接方式，因此输出层的计算可以通过网络回溯。2020 年 Kuenzi 等人便使用从基因本体论衍生的层次结构的深度神经网络对肿瘤对药物的敏感性进行了建模，取得了重大突破。
0731-84720580
商务合作：really158d
友链申请 (QQ)：1737380874
研搜
微信扫码登录
手机快捷登录
账号登录
