Машинне Навчання для Хімії

Представлення

SMILES, SELFIES, InChI - Це способи представлення хімічних структур у вигляді рядків символів, які використовуються для опису молекул та їхніх властивостей.

Графові (атоми як вузли, зв'язки як ребра) - Цей підхід представляє молекулу як граф, де атоми є вузлами, а хімічні зв’язки між ними – ребрами. Це дозволяє використовувати алгоритми з теорії графів для аналізу та моделювання молекул.

3D координати та конформери - Це представлення молекули у тривимірному просторі, де задані положення атомів та їхні можливі конформації (геометричні форми).

Спектри як послідовності/зображення - Спектральні дані (наприклад, ЯМР, ІЧ, УФ) можуть бути представлені у вигляді послідовностей або зображень, що дозволяє використовувати методи обробки зображень та машинного навчання для аналізу та ідентифікації молекул.

Сімейства моделей

ГNN (MPNN, GCN, GAT), еківентрічні моделі (SE(3)-transformers)

Трансформери для серіалізації послідовностей та графів

Ядерні методи (GPs) з кільцюваністю невизначеності

Автокодувальники та дифузійні моделі для генеративного проєктування

Дані та їх curation (куркування)

Забезпечте послідовність у протонуванні, таутомерних формах, стереохімії та нормалізацію одиниць вимірювання. Декорілюйте дані за допомогою подібності за каркасом або відбитками (fingerprints). Відслідковуйте зміщення результатів аналізу та ефекти партії.

Завдання

Прогнозування властивостей (ADMET, розчинність, pKa, спектри)

Прогнозування реакцій та ретросинтез

Відкриття матеріалів (енергетичні проміжки, провідність, проникність)

Генерація та оптимізація структури

Надійність

Невизначеність (ансамблі, випадковий відсік, гаусові процеси)

Область застосування та перевірки поза межами розподілу даних

Конформне прогнозування для каліброваних інтервалів

Активне навчання та експериментування

Замкніть цикл з використанням байєсівської оптимізації, різноманітності-усвідомленого придбання та автоматизованих лабораторій. Записуйте негативні результати та метадані для подальшого використання.

Розгортання

Упакуйте моделі з версіюванням наборів даних, модулями тестування та моніторингом. Використовуйте картки моделей і листки даних. Враховуйте питання конфіденційності та інтелектуальної власності в багатоорейнах середовищах.

Приклади

Приклад 1: Прогнозування розчинності за допомогою GNN

Створіть набір даних із стандартизованими одиницями та розділіть його на навчальний та тестовий.

Навчіть базову модель GNN; оцініть MAE (середню абсолютну помилку) та калібрування.

Розгорніть систему з використанням інтервалів невизначеності, що відповідають конформному прогнозуванню.

Приклад 2: Зворотний синтез за допомогою Transformer

Токенізуйте реакції; доповніть їх шаблонами.

Навчіть модель послідовність-до-послідовності; застосуйте пошук лучок (beam search).

Валідуйте маршрути з урахуванням вартості та безпеки.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Reaction-Diffusion і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.