近日，我院李肯立/曾湘祥教授课题组在分子性质与药物靶标预测领域取得重大进展，并在Nature子刊《Nature Machine Intelligence》在线发表题为“Accurate prediction of molecular properties and drug targets using a self-supervised image representation learning framework”的研究论文，该研究提出了一个基于分子图像的无监督深度学习框架——ImageMol。

近年来，基于序列和图（graph）的分子表征方法已被广泛用于各种药物研发中。然而，上述表征在分子性质预测和靶点筛选方面仍存在诸多局限。为了寻找更好的分子表征学习方法，该论文提出了基于分子图像的无监督深度学习模型ImageMol，将分子图像处理框架与分子化学知识相结合，以视觉计算的方式提取出像素级的分子特征。通过在1000万个未标记的类药生物活性分子上进行预训练，ImageMol实现了对分子性质和药物靶标的准确预测。

实验结果表明，ImageMol在多个生物医药的基准数据集和药物发现任务上能够取得优异的表现。此外，ImageMol可视化了分子中的局部结构对预测结果的贡献程度，充分发挥图像表示的可解释性优势，可以辅助化学家更好地理解模型的推理过程进行启发式设计。自新冠肺炎疫情爆发以来，新冠治疗药物受到格外关注。ImageMol不仅在美国国家转化科学推动中心（NCATS）发布的13个实验数据集中准确识别了抗SARS-CoV-2分子，还在美国FDA批准的2501种药物中成功预测了潜在治疗新冠肺炎的3CL蛋白酶抑制剂，这表明ImageMol必将成为加速药物发现的强大工具之一。

上述工作湖南大学信息科学与工程学院为第一单位，信科院博士生向鸿鑫为该论文的共同第一作者。

论文地址：https://www.nature.com/articles/s42256-022-00557-6