根据Essential Science Indicators（简称ESI）最新数据显示，我校足球下注
江健教授团队2025年6月发表在国际学术顶级期刊《Journal of Pharmaceutical Analysis》(中科院一区Top)的学术论文“A review of transformer models in drug discovery and beyond”（J. Pharm. Anal. 15, 6, 101081, 2025，文章链接//doi.org/10.1016/j.jpha.2024.101081）成功入选药理学与毒理学领域ESI全球前0.1%热点论文。论文第一作者为江健教授，美国密歇根州立大学Guo-Wei Wei教授为通讯作者，武汉纺织大学为第一通讯单位。
Transformer 模型已成为药物发现领域的关键工具，以其独特的架构特点和在管理复杂数据环境中的卓越性能而著称。利用 Transformer 架构的固有能力来理解序列数据中固有的复杂层次依赖关系，这些模型在各种任务中都表现出显著的效果，包括新药设计和药物靶标识别。预先训练的基于 Transformer 模型的适应性使其成为推动药物发现、化学和生物学以数据为中心的进步的不可或缺的资产，提供了一个强大的框架，可加速这些领域的创新和发现。
该论文全面概述了基于 Transformer 模型在药物发现以及化学和生物学中的应用。具体来说，我们讨论了主要领域，例如蛋白质设计和蛋白质工程、分子动力学、药物靶标识别、Transformer 支持的药物虚拟筛选、药物先导优化、药物成瘾、小数据集挑战、化学和生物图像分析、化学语言理解和单细胞数据。随着 Transformers 继续重塑药物发现的格局，大型语言模型、多功能Transformers 和定制 Transformer 模型的整合预示着我们对药物发现的理解不仅深刻，而且不断发展和灵活。
江健教授一直从事药物设计、复杂网络建模等交叉学科方面的研究。2021年通过结合几何拓扑和机器学习算法，构建的梯度提升多任务深度学习模型在药物分子脂溶性和溶解度等属性预测上取得领先；2022年结合几何图论和机器学习算法构建多尺度着色图模型在药物分子毒性上取得更好的预测准确度；2023年结合同调论和深度学习构建拓扑推断下的药物致瘾性学习模型，对致瘾性药物分子进行预测，寻找最优的先导化合物分子。相关成果发表在Chemical Reviews, Chemical Science, AR.Biochemistry, Pain, J. Pharm. Anal, JCIM等国内外知名期刊上。
江健教授所在的计算系统生物学团队负责人为张本龚教授，主要从事数学与大数据技术、计算系统生物学、机器学习、药物设计等领域交叉科学研究。近5年来，研究团队在单细胞测序数据分析、药物设计及发现、蛋白质结构预测和高光谱图像处理等研究领域取得了丰富研究的成果。团队教授2人，副教授4人，讲师2人，承担国家自然科学基金9项（其中面上4项），省部级项目5项，发表SCI论文60余篇。
