MIT博士论文《用于药物发现的分子图表示学习和生成》

图表示学习和生成》"/>

MIT博士论文《用于药物发现的分子图表示学习和生成》

目录

摘要：

摘要：

 机器学习方法已在药物发现领域广泛普及，可实现更强大和更有效的模型。在深度模型之前，建模分子很大程度上是由专家知识驱动的。为了代表分子景观的复杂性，这些手工设计的规则被证明是不够的。深度学习模型很强大，因为它们学习了问题的重要统计特征——但只有正确的归纳偏差。我们在两个分子问题的背景下解决这个重要问题：表示和生成。深度学习的典型成功深深植根于其将输入域映射到有意义的表示空间的能力。这对于分子问题尤其尖锐，因为分子之间的“正确”关系是微妙而复杂的。

    本论文的第一部分将侧重于分子表示，特别是性质和反应预测。在这里，我们探索了一种用于分子表示的变压器式架构，提供了将这些模型应用于图形结构对象的新工具。远离传统的图神经网络范式，我们展示了原型网络对分子表示的功效，这使我们能够对分子的学习属性原型进行推理。

    最后，我们在改进反应预测的背景下研究分子表征。本论文的第二部分将关注分子生成，这对于药物发现至关重要，因为它是提出有前景的候选药物的一种手段。在这里，我们开发了一种多属性分子生成的新方法，通过首先学习分子片段的分布词汇。然后，使用这个词汇，我们调查了化学空间的有效探索方法。

AIDD learning 便捷查看

便捷下载，请关注AIDD learning公众号 

后台回复“drug”就可以获取MIT博士论文《用于药物发现的分子图表示学习和生成》下载链接