来源：分析测试百科网

　　如今，人工智能算法可以通过深度学习进行非常详尽的数据分析，从人脸识别到医学影响分析，人工智能算法的表现已经赶上甚至超越了人的表现。不过，进行这些任务的算法通常都是在建立在对成千上万的数据进行分析的基础上的。因此，在数据有限的情况下，人工智能的应用受到了限制，其中的一个例子就是新药研发领域。

　　最近，来自美国斯坦福大学（Stanford University）的一个团队试图改变这一点，他们想到了使用深度学习领域中最新的分支——一次学习（one shot learning）。一次学习只需要少得多的数据来解决问题，这个团队之前成功地开发过只需几百个数据点的一次学习算法。但是，对于新药开发来说，能够使用的数据点可能更少，但是科研人员仍然决定进行一下尝试。这一成果发表在《ACS Central Science》期刊上。

　　为了让算法更好地分析药物，研究人员首先将药物的分子结构转化成了以原子为基础的几何图形，这一步将药物分子的内在性质转化成了算法能够分析的信息。随后，科研人员让他们的算法学习了两组数据，一组是不同化合物的毒性数据，另一组是已获批药物的副作用数据。

　　一次学习算法在接下来的测试中展现出的潜力令研究人员感到吃惊。在第一项实验中，算法学习了 6 个化合物的毒性后对另外 3 个化合物的毒性进行了预测，在第二项实验中，算法学习了 21 个药物的副作用后预测了另外 6 个药物的副作用。在这两项实验中，算法预测的准确性都比随机猜测更好。

　　研究人员承认，这项技术还远没有达到成熟的程度。目前的这个算法依赖于一种特殊的一次学习技术，它主要依赖于各个化合物的分子式和结构上的相似性进行预测。当这个算法学习了药物的毒性数据后对副作用进行预测时，准确率就大为下降。

　　对于那些担心人工智能早晚将取代人脑的人来说，这个研究团队认为他们的算法不会出现这种情况，这个算法最终将成为化学家们的一个工具。当化学家们面对一系列候选药物时，这个算法可以帮助他们选择最有可能成功的那个。因为现在当化学家们需要作出选择时，基本上都靠直觉。

　　除了药物研发之外，这个算法还可以应用到其它化学领域。比如说这个团队最近还使用这个算法预测了太阳能板的不同化学成份组合带来的不同结果。整个算法的源代码也在网上公开发表了。

　　领导这项研究的斯坦福大学化学系教授 Vijay Pande 表示：“这项研究是一次学习技术第一次被应用到药物研发领域。机器学习技术的发展令人十分激动，现在还远远没有达到这项技术的终极应用，这只是一个开端而已。”