开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
- 课题研究内容
药物研发是漫长、昂贵和带有偶然性的过程。上千个化合物要历经一系列验证，到最后或许可能只有一个是有效药物。根据Tufts药物研发中心统计，每个新药研发成本大约25.58亿美元，周期大概十年，其中6-7年都是临床试验阶段，只有12%的药物可以通过临床验证。任何可以加速这一研发过程的技术对整个行业链都有巨大影响，人工智能与制药行业结合将加速药物开发进程。
人工智能可以辅助先导化合物设计，预测自氧化性，药物在肠液中溶解度，药物熔点和在DMSO中溶解度，皮肤穿透性，血脑屏障通过性，药物吸收，分布，代谢，分泌，降解，毒性（统称ADMET）等。本课题主要研究深度学习等人工智能算法在药物开发不同阶段的应用，并建立发现模型，编制程序，在医药数据集上进行测试研究。
- 研究手段
实验环境：
- 系统平台：Windows 10
- 开发工具集：Anaconda
- 语言：python
开发深度学习框架的资源：
- 包：Tensorflow,Keras,PyTorch,DeepChem
- 数据集：MoleculeNet基准数据集、ChEMBL数据库
技术原理：
DL是一类机器学习算法，其使用具有用于学习数据表示的多层非线性处理单元的人工神经网络（ANN）。现代ANN的基本结构受到人脑结构的启发，ANN中有三个基本层：输入层、隐藏层和输出层。根据ANN的类型，相邻层中的节点（也称为神经元）可以完全连接或部分连接。输入变量由输入节点进行，变量通过隐藏节点进行变换，最终输出值在输出节点进行计算。
ANN的训练是通过迭代修改网络中的权重值来完成的，通常通过反向传播方法来优化预测值和真值之间的误差。但传统的人工神经网络方法存在诸如过拟合、递减梯度等问题，并且在很大程度上被其他机器学习算法取代。DL的最近发展使ANN得以复兴。DL与传统ANN之间的主要区别在于神经网络的规模和复杂性。由于计算机硬件在早期的局限性，DL使用大量的隐藏层，而传统的ANN通常只能提供一个或两个隐藏层。由于更强大的CPU和GPU硬件的出现，DL可以承担在每层中使用更多的节点。DL中还有许多算法改进，例如使用dropout和Drop-Connect方法来解决过度拟合问题，应用整型线性单元（ReLU）以避免消除梯度并将卷积层和池层引入新颖的网络体系结构，以便使用大量的输入变量。
三、论文课题研究进度安排
2019年2月25日----3月1日 确定选题，查阅文献。
