药物发现管线是一个耗时、昂贵和充满风险的过程，通常需要约10年和20亿美元才能将一种新型药物推向市场。到年，已确定的成功药物靶点不到个。尽管众多候选药物在临床前阶段进行了广泛的优化，但年至年临床试验的平均失败率达到了84.6%。缺乏临床疗效仍然是导致2期和3期试验失败的关键因素，导致大量经济损失和资源浪费。识别正确的药物靶点对于增加开发临床有效疗法的可能性至关重要。
图1.人工智能(AI)在早期药物开发中的出现
靶点识别策略：从实验到机器学习靶点识别可分为三种不同的策略-实验、多组学和计算方法（图2），使用这些方法可以在探索性靶点识别中生成新的治疗假设，从而显著增强我们对复杂疾病的理解。实验方法包括进行湿实验，根据亲和力、基因修饰筛选和比较分析。多组学方法通过分析基因组学、转录组学、蛋白质组学、表观基因组学和代谢组学等各种组学数据集来预测基因-疾病的相关性。最后，计算发现方法通过使用机器学习或基于结构的方法（包括反向对接、药效团筛选和结构相似性分析）有效地识别潜在的靶点。
图2.靶点识别的三种探索性策略
AI驱动的靶点识别近年来，我们见证了从疾病机制的基础研究到患者的临床研究等生物医学数据的激增。虽然已经产生了大量的信息，但数据的增长也给数据分析带来了挑战。鉴于AI在处理和解决复杂的生物医学数据网络方面的优势，使用AI算法可以揭示数据内的模式和关系，并且可能导致更好地理解和治疗疾病。尽管还处于临床试验的早期阶段，但AI-衍生药物在临床研究中越来越多地出现，如GS-治疗非酒精性脂肪性肝炎、EXS-治疗实体瘤和INS_治疗特发性肺纤维化。
深度学习模型在靶点发现中的应用近年来，基于机器学习的算法，特别是深度学习方法引起了人们的极大
