關西醫科大學和節南大學的研究團隊正在考慮在藥物發現研究中使用 AI（人工智能）。為了有效地找到活性化合物，闡明了不僅顯示生物活性的化合物而且顯示不顯示生物活性的化合物對於學習 AI 很重要。
藥物發現成功的概率很低，需要提高生產力。近年來，人們嘗試利用人工智能提高複合搜索的效率。已經提出了許多方法，例如深度學習，但很少有研究關注人工智能學習數據。此外，據說在一般藥物發現方法中使用的“高通量篩選（HTS）*”中，命中率保持在 0.1% 或更低。到目前為止，在藥物發現中，我們只關注少數幾個Hit化合物，而獲得的許多“失敗數據”組並沒有得到充分利用，被簡單地丟棄了。
研究團隊重點研究了該藥物發現領域的數據特徵，即大多數化合物處於非活性狀態。 在AI學習中，如果將不顯示活動的複合數據（反例）的比例增加到顯示活動的複合數據（正例）的1,000倍，則AI的誤分類率將小於100/1，判別能力會有所降低。有了顯著的提高。
通過利用這些知識，可以用更少的驗證和藥物資源進行篩選，並有望具有廣泛的應用，從而顯著降低藥物發現研究的成本。該研究論文於 3 月 18 日星期四發表在學術期刊《分子信息學》（影響因子：2.741）上。
* 高通量篩選是一種從大量化合物中高效識別有用化合物的技術。
