机器人和迷尔实验室的使用使得可以产生的实验数据剧增。1980年代，生物学家进行单一的实验并产生单一的结果。这种数据可能借助口袋计算器用手工处理。按下快进键，进入今天的生物学，我们的仪器可以在一天或两天内产生数以百万计的实验数据。遗传学是现代医学的重要组成部分。癌细胞的基因测序使得个体治疗成为可能，并且可能彻底改变医学。可以产生海量数据的基因测序，过去是要大量资金投入的复杂过程，现在已不再昂贵而普通。狗的主人只要花少量的钱做基因测序就可以确定宠物狗的血统。生物测序实验，基因测序的发展导致联系个体基因编码与多种健康相关的结果（包括糖尿病，癌症，遗传疾病如囊肿性纤维化）的数据库的形成。通过计算技术分析和挖掘数据，科学家慢慢理解了这些疾病的原因，并通过这种理解来开发治疗方案。
这个过去主要靠人工观察的医学学科现在已经使用无法人工分析的数据集。机器学习现在常用于细胞图像分类。机器学习模型的结果用于识别和分类癌细胞并评估其对潜在疾病的治疗效果。
用深度学习应用于医学诊断是非常用前景的。医学非常复杂，没有一个医生可以拥有所有的医学知识。理想状态下，机器学习模型可以消化所有的医药言语献并邦助医生诊断。
通常情况下，医学图像非常复杂，即便是熟练的专业人员也难于分析和解释这些图像。深度学习可以扩展人的分析，通过图像分类和物征识别。
实验技术的发展导致多个数据库的形成，能分类化学物的结构以及其对许多生物过程和活动的影响。科学家挖掘这些大形数据库并用数据建构预测模型，从而驱动了新一代药物的产生。
机器学习已经成为药物发现的重要组成部分。科学家用常度学习模型来评估药物分子与蛋白质的相互作用。这种相互作用引出生物响应，从而对患者产生治疗作用。 生成模型可以用于产生新的化合物。
虚拟筛选技术可以识别潜在的新药发现起点。药物的发现是复杂的过程，通常由筛选开始。筛选可以用被称为微陈列实验的生物实验进行，或者用机算机进行虚拟筛选。;
虚拟筛选用一系列已知的化学物来训练机器学习模型。由于机器学习方法的速度非常快，数以亿计的分子可以在短短的几天内计算完毕。
机器学习如何应用于分子呢？
如何用深度学习来预测药物与蛋白质的作用程度？
现在发现DNA和RNA的相互作用非常复杂，远远超出了过去的认识。如何用机器学习来预测影响DNA和RNA相互作用的各种因素？
DeepChem,是开源的程序库，用于简化生命科学应用的深度学习模型。简单介绍DeepChem后，我们将介绍第一个程序来展示DeepChem如何产生模型来预测化学物的毒性。另一个例子，将展示如何用DeepChem来分类图像，这是现代医这的常见任务之一。深度学习可以用于许多图像应用，包括癌症的诊断到青光眼的诊断。
更多有关deepchem的文章请见www.data-vision.net