是的，由于其明显的工业应用（我熟悉的大多数是在制药行业），很多人都从事过这类工作。这是2013 年的一篇论文，声称效果很好；跟踪引用它的论文可能会给你更多最近的工作。

是的，在预测分子和生物蛋白质之间的相互作用方面已经进行了成功的尝试，这些尝试已被用于通过使用卷积神经网络来识别潜在的治疗方法。

例如，在 2015 年，为基于结构的药物设计创建了第一个深度学习神经网络，该网络训练化学相互作用的 3 维表示，其工作原理类似于图像识别的工作原理（将较小的特征组合成更大、复杂的结构）。^维基

^{研究：AtomNet：用于基于结构的药物发现中的生物活性预测的深度卷积神经网络}

另一种方法是使用进化人工神经网络，可以达到很好的优化效果。

此外，2015 年的论文展示了启发式化学反应优化(CRO)，其灵感来自化学反应的性质（例如，将不稳定的物质转化为稳定的物质）。模拟结果表明，CRO 通过基于群体的元启发式算法模拟分子的转变及其在化学反应中的相互作用，从而优于许多进化算法。

给定 ω1、ω2（来自上述论文）用于预测合成的示例伪代码算法：

 1: for all Matrices and vectors m in ω′ do
 2:     for all Elements e in m do
 3:         Generate a real r between 0 and 1
 4:         if r > 0.5 then
 5:             e =counterpart in m1
 6:         else
 7:             e =counterpart in m2
 8:         end if
 9:     end for
10: end for

它用于基于两个给定的解 ω1 和 ω2 生成新的解 ω'。

没有人提到使用深度神经网络和符号 AI 规划化学合成（发表在 Nature - 这里是arxiv 链接）。深度强化学习的应用令人印象深刻——他们使用蒙特卡罗树搜索和策略网络（a-la AlphaZero）来进行化学合成规划。作者声称，双盲测试表明专业化学家无法区分人类和人工智能生成的合成途径。

说到 Alpha* 的东西 - AlphaFold是最近在蛋白质折叠方面取得的成果，与所有竞争对手相比，它表现出了突破性的表现。