Role of machine learning in modern chemistry

Abstract

Machine learning (ML) is an application of artificial intelligence in which systems are able to learn by themselves from experience without being explicitly programmed. Machine learning creates algorithms that learn automatically without human assistance. Such algorithms are able to find new knowledge in massive quantities of data. Deep learning (DL) is a principal method of machine learning. In it, deep neural networks (DNN) are built of multiple layers. The signal that goes forth through the layers enables for extraction of higher-level features from the raw data. DNN have been used in multiple domains including drug design, bioinformatics, analysis of medical images and genetic data, prediction of material properties etc. In these fields, the DNN algorithms fared as well and sometimes even better than human experts. There have been multiple domains where deep learning is applied to solve long-standing problems in chemistry. The arising big chemical databases have been successfully used to decipher data patterns with DL methods in quantum chemistry, molecular dynamics simulations, identification of new drug candidates, protein structure prediction, in silico discovery of novel molecules, to name but a few. Here, we discuss a number of public chemical databases that are used for machine learning discoveries.

Машинне навчання (ML) - це програма штучного інтелекту, в якій системи можуть самостійно вчитися з отриманого досвіду, не будучи чітко запрограмованими. Машинне навчання створює алгоритми, які навчаються автоматично без допомоги людини. Такі алгоритми здатні знаходити нові знання у величезній кількості даних. Глибоке навчання (DL) є основним методом машинного навчання. У ньому глибокі нейронні мережі (DNN) побудовані з декількох шарів. Сигнал, що проходить через шари, дозволяє отримувати функції вищого рівня із вихідних даних. DNN використовувались у багатьох сферах, включаючи розробку лікарських засобів, біоінформатику, аналіз медичних зображень та генетичних даних, прогнозування властивостей матеріалу тощо. У цих областях алгоритми DNN працювали так само добре, а іноді навіть краще, ніж експерти-люди. Існувало кілька областей, де глибоке навчання застосовується для вирішення проблем хімії. Великі хімічні бази даних, що створюються, були успішно використані для побудови моделей методами DL у квантовій хімії, моделюванні молекулярної динаміки, ідентифікації нових кандидатів на ліки, прогнозуванні структури білка, при відкритті нових молекул in silico. Тут ми обговорюємо низку загальнодоступних баз даних про хімічні речовини, які використовуються для відкриттів за допомогою машинного навчання.