英国与瑞士科学家合作开发了一种机器学习模型，能够部分重现化学家在工作中积累的集体知识，后者通常被称为“化学直觉”。该研究或使今后的药物研发更高效。相关研究11月1日发表于《自然-通讯》。

药物与化学发现在传统上需要依靠试错实验和研究人员在工作中积累的知识。使用模拟工具，尤其是机器学习，能让研究人员更快发现候选分子，极大降低发现新药用化合物的成本。

如果用机器学习预测分子性质，分子就必须还原到数学表达，这通常包含一组性质或“特征”。确定正确特征是这些数据驱动性能预测模型成功的关键。

英国剑桥微软研究院科学智能中心的Nikolaus Stiefl和瑞士诺华生物医学研究所的Jose Jimenez-Luna与合作者，让35名医学化学家各自从5000对分子中选择自己更偏向的分子，再用他们的回答做成排序游戏来训练一个机器学习模型，随后让这个模型给分子打分。这个分数基本不受该领域之前作为特征的其他性质的影响，因为这来自行业内多年的知识积累。

研究者提议的模型还能用来改变数学模型的推荐，从而更好地匹配化学家的集体专业知识，有望在今后的早期药物研发中缩短迭代时间。他们认为，这种方法或能在药物研发中作为对分子建模的补充。