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）
- 课题研究的目的及意义：
21世纪以来，世界新药研发逐渐进入瓶颈期，寻找新药物是一个既费时间又费钱的过程，其周期甚至能达到10多年，花费上百万美元的研究经费。现代的药物研究都是由大型制药公司致力于发现一种潜在的蛋白质分子用来治疗某种疾病而展开的，为了找到这种特定的蛋白质分子，通过特殊的检测方法，然后再运用高通量筛选试验来测试大量的潜在蛋白质分子的生物特性。那些所谓的具有结构优势的高亲和力分子将会被用化学方法进行细分，然后将那些有最强生物活性的蛋白质高分子用来进行临床前以及最后的临床试验[1]。基于这种方式，研究人员不得不合成数十万甚至数百万的蛋白质高分子，然后才能找出最后的药物。最近几年，随着深度学习在各行业的应用都取得了初步的成果，一些学者已经将深度学习等智能计算方法应用到了药物分子筛选的环节以期加速药物研发的进程。本课题旨在对深度学习等智能计算方法在药物研发中的典型应用进行调查研究。
- 采用的研究手段：
1.文献研究法
查找相关最新文献，对文献中提到的深度学习在药物研发中的典型应用进行调查研究，重点研究一两个机器学习算法在定量结构-性质关系（QSPR）或定量结构-活性关系（QSAR）等方面的应用。
- 模拟法
依照文献中的实验原型，创设一个相似的模型，然后通过模型来间接研究原型，即从已有文献中找到一个计算过程，然后再用一些数据处理方法复现整个计算过程。
- 文献综述：
目前国内外已经有了不少关于深度学习等智能计算方法在药物分子筛选或者靶点预测方面的研究。这些智能计算方法涉及到传统机器学习算法、深度学习算法、蚁群算法、遗传算法等。
1、机器学习助力药物设计
1.1靶标预测
从靶标确认，候选苗头化合物的出现，到符合各种指标及疗效确切的药物上市，药物研发周期长、工作量大、投入高，是一项高风险性的复杂工程。近年来随着各种组学和生物活性数据的积累和开放，药物科学家们顺应时代发展的潮流，提出实现数据驱动药物研发的目标，以加快药物研发进程，降低药物研发成本。以此为目标，各种机器学习方法尤其是深度学习方法被用到药物研发的各个阶段，包括QSAR、靶标预测、发展靶标一配体打分函数、化合物ADME/T预测35-36、活性化合物的生成和优化等。作为药物发现的第一道工序，成功地鉴别药物-靶标相互作用是至关重要的。发展药物-靶标相互作用计算模型不仅有助于发展新的药物，对于药物重定向、老药新用等也有一定的帮助。随着机器学习的火热发展，各种机器学习算法被用来构建靶标预测模型。Andreas等人利用整个CHEMBL数据库中的数据分别构建了SVM、RF、k-最近邻域（KNN）、朴素贝叶斯(NB)、相似集合方法(SEA)和各种深度学习模型来预测药物-靶标相互作用。
1.2靶标-配体打分函数
