فرآیند کشف دارو به صورت سنتی، بسیار زمان‌بر و پرهزینه است. یکی از رایج‌ترین استراتژی ها برای غلبه بر این مشکلات، "جایگزینی دارو" می‌باشد.
در سال‌های اخیر به شکل روزافزونی از روش‌های مبتنی بر یادگیری ماشین برای حل این مسئله استفاده شده است. کارایی این روش‌ها وابسته به ویژگی‌های انتخاب شده، نمایش آن‌ها و مجموعه داده آموزش می‌باشد.
در مسئله جایگزینی دارو، تعداد زیادی ویژگی مازاد در مجموعه ویژگی‌‌ها وجود دارد که تاثیر نامطلوبی بر عملکرد روش می گذارند. به علاوه، انتخاب یک مجموعه آموزشی مناسب، باعث افزایش دقت عملکرد روش‌های یادگیری ماشین می‌گردد. روش‌های کنونی حل مسئله جایگزینی دارو، غالبا مجموعه روابط شناخته شده دارو و بیماری را به عنوان داده مثبت و تمام روابط ناشناخته بین داروها و بیماری‌ها را به عنوان داده منفی در نظر می‌گیرند.
در مسئله جایگزینی دارو، انتخاب داده آموزش با دو چالش اصلی رو به رو است. مورد اول، تعداد داده‌های مثبت، بسیار بسیار کمتر از داده‌های منفی است و این امر موجب می‌شود تا روش‌های یادگیری ماشین به سمت مجموعه بزرگتر منحرف شوند و عملکرد آنها دچار خطا گردد. مورد دوم، ناشناخته بودن یک ارتباط درمانی بین یک جفت دارو-بیماری به این معنا است که این ارتباط تاکنون دیده نشده‌ است و در آینده ممکن است تغییر کند.
در این سمینار، ما به ارائه روش‌های پیشنهادی جهت غلبه بر این چالش‌ها می‌پردازیم.