近日，百度在生物计算领域的最新研究成果《Geometry Enhanced Molecular Representation Learning for Property Prediction》，登上了国际顶级学术期刊《Nature》子刊《Nature Machine Intelligence》！
论文提出“基于空间结构的化合物表征学习方法”，即“几何构象增强 AI 算法”（Geometry Enhanced Molecular Representation Learning，GEM 模型），将化合物的几何结构信息引入自监督学习和分子表示模型，对化合物进行“3D 建模”，以预测化合物分子的性质属性。
在药物筛选上的应用，可在数小时内完成传统仿真方法1年的工作量，效率提升上千倍，有望大幅降低药物研发的时间投入和成本投入。这是百度在 AI 赋能药物研发领域的又一项重磅成果。
化合物的性质和其三维空间结构密切相关，为了更好地预测化合物性质，亟需引入化合物的三维空间信息。百度此次提出的“基于空间结构的化合物表征学习方法”，即 GEM 模型，在这一点上实现了重大突破，在全球范围内开创性地将化合物性质预测从“2D 建模”推进到“3D 建模”。
同时，引入 AI 领域迅速发展的预训练技术，利用大量无标注的化合物数据，通过自监督学习，构建 GEM 模型的底层能力，有望能成为小分子药物研发领域的模型底座，解决小分子药物活性预测，成药性预测，药物设计等核心问题，真正加速药物，特别是全新药物（First In Class）的发现过程。
