1. 跨学科应用
人工智能药物研发是指利用人工智能技术研发新药物的过程和方法，人工智能拔术可以用于药物研发的不同阶段，包括药物发现、分子设计、药效预测、毒性评估等可以加速药物研发的过程、提高药物的效力和安全性。下面介绍几种常见的与人工能药物研发相关的算法。
1.基于深度学习的分子性质预测和新分子生成算法,指通过利用神经网络模型等习大量分子数据在保证分子稳定性和活性的前提下，生成新的药物分子,并预测新分子的药效和毒副作用等，以此减少新药物的研发时间和成本的算法。JT-VAE是MIT早期用VAE网络对分子数据进行学习生成的框架，该框架结合了图神经网络和基于树结构的分解范式，以完成对分子的建模学习。JT-VAE遵循了VAE的大致范式，在训练时分子(Molecue)会同时通过左边的分子图网络和右边的树编码网络，最后还原出分子。
2022年出现了基于靶点蛋白生成药物分子的方法Pocket2Mol，该方法以靶点蛋白的口袋为起点,以自回归的方式逐步生成具有高结合性、高成药性的小分子。
2.基于强化学习的药物筛选算法。药物筛选是指在大量候选药物中寻找具有治疗效果的药物。传统的药物筛选方法需要进行大量试验，费时费力。基于强化学习的药物筛选算法，可以利用智能体在环境中进行试验，并通过学习来调整验策略，从而快速找到有效的药物。
3.基于网络分析的药物相互作用预测算法。药物相互作用是指不同药物之间产生的相互影响，包括增强、减弱、拮抗等作用。基于网络分析的药物相互作用预测算法可以利用复杂网络模型，对大量的药物相互作用关系进行建模和分析预测不同药物之间的相互作用和可能产生的毒副作用等。
4.基于机器学习的药物剂量预测算法。药物剂量是指在治疗中使用药物的数量和频率，药物剂量过低可能导致治疗效果不佳，剂量过高可能产生毒副作用。基于机器学习的药物剂量预测算法可以利用大量的患者数据和药物剂量信息,学习药物的药效和剂量关系，从而快速预测新药物的最佳剂量。
2.基于扩散模型的分子/蛋白质生成
图神经网络和相应的图表征学习技术在许多领域如分子图建模、取得了巨大成功以。在分子属性预测、分子生成等各项任务中，分子可以很自然地用节点-边形式的图进行表示,很多研究者将分子图生成与扩散模型相结合，以增强对分子图的建模能力。在药物研发领域，AI需要处理药物小分子和蛋白质这些带有几何特征的图。在这个图中包含了原子的一些内在特征，另外我们还需要考虑到每个原子在空间的三维坐标这个几何特征。不同于一般特征，这些几何特征往往都具备一些对称性和等变性。等变图神经网络模型对这类等变、对称性的特征可以很好地建模。GeoDiff证明了用等变马尔可夫演化的马尔可夫链可以产生置换不变的分子数据分布，进一步为逆向转移核设计了神经网络,使神经网络参数化,以此保证生成分子图需要的等变性。
扭转角扩散(TorsionalDiffusion)是一种新的扩散框架，该框架在扭转角的空间上进行操作，即在扭转角上进行扩散，并使用了基于分数的扩散模型。在每一次逆向过程中，模型先预测扭转的变化，再将该变化反映到3D坐标上进行去噪生成,即每次将3D坐标去噪的过程转换为内部扭转角更新的过程。此外，训练得到的扩散模型可以作为打分函数，以此提升分子蛋白结合性的预测准确率。
还有研究将扩散模型用于抗体生成，DiffAb首次提出了一种基于扩散模型的3D抗体设计框架，同时对抗体的互补性决定区(ComplementarityDetermining Region，CDR)的序列和结构信息建模。该方法同时对氨基酸类型(AminoAcidType)、碳原子位置(C位置)及转向(0rientation)进行去噪生成。
3.医学影像
医学影像学是指使用不同的成像技术，如射线、磁共振成像(MRI)、计算机断层扫描(CT)等，观察和诊断患者的身体状况的一个医学领域。由于医学影像学产生的图像数据非常庞大，所以需要高度精确和自动化的计算机算法来辅助医生进行诊断和治疗。医学影像逆问题是指从测量数据中重建出原始影像的问题。在医学影像领域，这个问题非常重要，因为对于一些检査方法，如CT、MRI等，往往只能获取间接的测量数据，而不能直接观察到患者的内部结构。解决这个问题可以帮助医生更准确地诊断疾病，制定更有效的治疗方案。下面介绍几类常用的医学影像逆问题算法:
1.基于逆过程的算法。通过对成像过程的逆向建模，逆向求解出原始场景。常用的算法有迭代逆过程算法和逆过程算法。
2.基于先验知识的算法。通过对原始场景的先验知识进行建模,对逆问题进行求解。常用的算法有正则化算法和基于贝叶斯理论的算法。
3.基于统计学习的算法。通过训练样本学习出原始场景与观察到的影像之间的映射关系，对逆问题进行求解，比如深度学习算法。
基于扩散模型的医学影像重建，Song 等人利用基于分数的生成模型来重建与观察到的测量结果一致的影像图。基于扩散模型的医学影像重建的结果图，可以发现，与之前的方法相比较，该方法的重建结果与真实结果更相近，扩散模型的指标更好。