据论文介绍，传统上，药物与化学发现需要依靠试错实验和研究人员在工作中积累的知识，而使用模拟工具，尤其是机器学习，能让研究人员更快地发现候选分子，极大降低发现新药用化合物的成本。如果要用机器学习预测分子性质，分子就必须还原到数学表达，这通常包含一组性质或“特征”，确定正确特征是这些数据驱动性能预测模型成功的关键。
论文共同通讯作者、瑞士诺华生物医学研究所Nikolaus Stiefl、英国剑桥微软研究院科学智能中心José Jiménez-Luna和他们的同事合作，让35名医学化学家各自从5000对分子中选择自己更偏向的分子，再用他们的回答做成排序游戏来训练一个机器学习模型，随后让这个模型给分子打分。研究发现，这个分数基本不受该领域之前作为特征的其他性质的影响，因为这来自行业内多年的知识积累。
论文作者指出，合作团队提议的模型还能用来改变《博友彩平台官网网站》数学模型的推荐，从而更好地匹配化学家的集体专业知识，有望在今后早期药物研发中缩短迭代时间。
