Генеративные модели для задачи поиска лекарствGenerative models for drug discovery
Соискатель:
Полыковский Даниил Александрович
Руководитель:
Члены комитета:
Деркач Денис Александрович (Национальный исследовательский университет «Высшая школа экономики», PhD, председатель комитета), Маджидов Тимур Исмаилович (Химический институт им. А.М. Бутлерова, Казанский (Приволжский) Федеральный Университет, кандидат химических наук, член комитета), Маевский Евгений Валерьевич (Национальный исследовательский университет «Высшая школа экономики», кандидат физико-математических наук, член комитета), Попцова Мария Сергеевна (Национальный исследовательский университет «Высшая школа экономики», кандидат физико-математических наук, член комитета), Потапенко Анна Александровна (DeepMind Technologies Limited (Лондон), кандидат физико-математических наук, член комитета)
Диссертация принята к предварительному рассмотрению:
3/16/2021
Диссертация принята к защите:
4/5/2021 (Протокол №5)
Дисс. совет:
Совет по компьютерным наукам
Дата защиты:
5/20/2021
В течение последних нескольких лет машинное обучение начало использоваться на разных этапах решения задачи поиска лекарств: поиске новых биологических мишеней, поиске активных молекулярных структур, прогнозировании биологических и физико-химических свойств. В диссертации рассмотрены три задачи, встречающиеся при поиске лекарств генеративными моделями: условная генерация, обучение распределению и оптимизация молекулярных свойств. В задаче обучения распределению мы стремимся создать новые молекулярные структуры из того же распределения, что и обучающая выборка. Полученные выборки молекулярных структур можно использовать для предобучения предсказательных моделей без учителя или ранжирования сгенерированных молекул в соответствии с некоторой функцией качества (виртуальный скрининг). В задаче условной генерации модели порождают молекулы с заданными свойствами — такой подход позволяет сузить химическое пространство до желаемого класса молекулярных структур. Целью задачи оптимизации молекулярных свойств является обнаружение молекул с максимально возможным значением функции качества. Например, такая функция качества может быть предсказательной моделью активности против заданной биологической мишени. Для каждой из обозначенных выше задач мы предлагаем новые модели машинного обучения.
Диссертация [*.pdf, 10.04 Мб] (дата размещения 3/17/2021)
Резюме [*.pdf, 700.60 Кб] (дата размещения 3/17/2021)
Summary [*.pdf, 500.77 Кб] (дата размещения 3/17/2021)
Публикации, в которых излагаются основные результаты диссертации
Отзывы
Отзыв научного руководителя
- Отзыв научного руководителя (дата размещения 3/16/2021)
Сведения о результатах защиты:
Комитет по диссертации рекомендовал присудить ученую степень кандидата компьютерных наук (протокол № 2 от 20.05.2021). Решением диссертационного совета (протокол № 6 от 02.06. 2021) присуждена ученая степень кандидата компьютерных наук.
Ключевые слова:
См. на ту же тему
Методы и алгоритмы для извлечения, связывания, векторизации и разрешения неоднозначности лексико-семантических графовДокторская диссертация
Соискатель: Панченко Александр Иванович
Приложение машинного обучения к теоретико-игровым задачам: аукционы и марковские игрыКандидатская диссертация
Соискатель: Иванов Дмитрий Игоревич
Руководитель: Нестеров Александр Сергеевич
Применение глубоких генеративных моделей для задач прогнозирования в машинном обученииКандидатская диссертация
Соискатель: Баранчук Дмитрий Александрович
Руководитель: Бабенко Артем Валерьевич
Дата защиты: 12/24/2024