二十一世纪以来，随着计算机计算能力的迅猛提升和大数据的涌现，深度学习在机器学习算法的基础上快速崛起，并在药物研发领域得到广泛应用。然而，对许多尚未经过充分深入研究的激酶靶标，目前已有的数据还远远达不到训练中等规模神经网络所需的量级。因此，传统的单任务神经网络模型通常难以取得较好的泛化性能。
为了解决这一问题，蒋华良、郑明月团队采用了多任务深度神经网络（multitask deep neural network）建立分类模型解决化合物的激酶谱预测问题。多任务深度神经网络通过任务间的迁移学习，可以高效解决具有相关性的多类别分类问题，对于众多激酶靶标，共享的保守催化域使得多重活性预测任务紧密相关。因此，利用多任务深度神经网络可以有效减少特定激酶数据不足对模型泛化性能的限制。此外，多任务神经网络只需建立一个模型即可对整体激酶谱进行预测，无需多次建模，并且通过使用共享表示减少了模型参数的规模，可以使模型的训练学习过程更加高效。
上述研究结果近期在线发表于Journal of Medicinal Chemistry，题为“Deep Learning Enhancing Kinome-Wide Polypharmacology Profiling: Model Construction and Experiment Validation” ，并被选为封面论文。中国科学院上海药物研究所药物设计与发现中心（DDDC）郑明月为论文通讯作者，第一作者是中国科学院上海药物研究所药物发现与设计中心博士研究生李叙潼。
全文链接：https://doi.org/10.1021/acs.jmedchem.9b00855
Journal of Medicinal Chemistry文章标题
基于多任务神经网络的药物激酶谱预测流程
多任务神经网络与随机森林预测表现对比
（左）对五个化合物预测与实验得到的激酶图谱，标记为红色的激酶表示预测或实验测定为活性。（右）预测与实验得到的激酶家族选择性，当一个家族的odds ratio显著大于1（红色），认为化合物对该激酶家族具有选择性。
