Генеративные модели для задачи поиска лекарствGenerative models for drug discovery

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.