隨著人們對化合物結(jié)構(gòu)研究的不斷深入,對化合物應(yīng)用的不斷探索,形成了規(guī)模巨大的化合物的數(shù)據(jù)庫,而大量的化合物也可能具有類似的應(yīng)用特性。以藥物應(yīng)用為例,我們已知某類藥物化合物可以用于某類疾病或癥狀的治療或處理,當(dāng)出現(xiàn)新的疾病時我們便希望找到新的化合物以應(yīng)對此問題,或者我們希望尋找已知應(yīng)用方案外的其他備選化合物。然而尋找具有所需生物活性的新分子是極其困難的任務(wù)。在這種情況下,人工智能和生成模型已用于分子設(shè)計和化合物優(yōu)化。在本文中,我們基于生成對抗網(wǎng)絡(luò),結(jié)合極大似然與進化思想提出了一種生成模型,用以生成新的具有藥物特性的化合物結(jié)構(gòu)。該模型使用極大似然的抽樣獎勵作為生成器目標以降低方差強化訓(xùn)練,另外,我們還希望針對藥物特性的不同指標進行強化,利用遺傳思想,令每一次訓(xùn)練的生成器產(chǎn)生子代時都對不同的目標進行強化,從而產(chǎn)生不同目標的子代生成器,這樣做避免了討論不同指標在強化過程中的加權(quán)問題。而強化后的子代生成器通過環(huán)境適應(yīng)度函數(shù)的篩選,每一次換代最后留下適應(yīng)度更優(yōu)的生成器,直到迭代結(jié)束,我們就獲得了多種強化程度的生成器。這樣做我們可以得到綜合質(zhì)量更好的分子,也可以保證生成數(shù)據(jù)的多樣性。通過生成模型我們...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 引言
    1.1 課題研究背景
    1.2 研究目的與意義
    1.3 本文的主要內(nèi)容
    1.4 組織結(jié)構(gòu)
第2章 生成對抗網(wǎng)絡(luò)與分子結(jié)構(gòu)生成概況
    2.1 分子結(jié)構(gòu)生成研究現(xiàn)狀
        2.1.1 基于自編碼器的模型
        2.1.2 基于生成對抗網(wǎng)絡(luò)的模型
        2.1.3 基于RNN的模型
        2.1.4 將深度生成模型和強化學(xué)習(xí)相結(jié)合的混合模型
        2.1.5 新分子生成領(lǐng)域的深度生成模型面臨的挑戰(zhàn)
    2.2 生成對抗網(wǎng)絡(luò)
        2.2.1 生成對抗網(wǎng)絡(luò)的原理
        2.2.2 生成對抗網(wǎng)絡(luò)的優(yōu)點
        2.2.3 生成對抗網(wǎng)絡(luò)的不足
        2.2.4 生成對抗網(wǎng)絡(luò)的變種
    2.3 生成對抗網(wǎng)絡(luò)在分子生成中的應(yīng)用
    2.4 分子與應(yīng)用對象存在作用的預(yù)測模型研究現(xiàn)狀
    2.5 本章小結(jié)
第3章 基于生成對抗網(wǎng)絡(luò)的分子結(jié)構(gòu)生成模型
    3.1 目標增強的生成性對抗網(wǎng)絡(luò)分子序列生成模型
    3.2 方差降低與多目標增強
        3.2.1 最大似然增強與蒙特卡洛搜索
        3.2.2 方差降低分析
        3.2.3 多目標增強
    3.3 基于多目標最大似然增強的分子生成模型
    3.4 實驗與結(jié)果分析
    3.5 本章小結(jié)
第4章 基于交互網(wǎng)絡(luò)和相似性的藥物-疾病作用預(yù)測模型
    4.1 系統(tǒng)模型
    4.2 基于交互網(wǎng)絡(luò)的模型在藥物-疾病作用預(yù)測的應(yīng)用
        4.2.1 疾病相似性
        4.2.2 藥物相似性
        4.2.3 算法流程
    4.3 實驗結(jié)果及分析
        4.3.1 評估指標
        4.3.2 交叉驗證
        4.3.3 局限性分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
致謝
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況



本文編號：3735857