Graph Representation Learning for Drug Discovery课程简介：前往报名学习
发现一种可以治愈人类某种疾病的新药，特别是要将这款新药推向市场，是一个漫长且昂贵的过程，估计需要 10 年以上的时间，平均耗费为 25 亿美元。最近几十年以来，科学家们一直在寻求通过现代计算技术来辅助新药发现的过程， 特别是人工智能和深度学习在这个领域得到了越来越多的关注。本报告汇报了我们在新药发现领域的两个工作：（1）我们提出了一个基于自回归流模型的分子图生成模型 GraphAF。实验结果表明，GraphAF可以生成真实、新颖、独特且多样的分子，而且所有生成的分子在化学意义上都 是合理的，在分子性质优化任务上也取得了最好的效果。（2）我们提出了可以预测分子逆合成路线的模型G2Gs。G2Gs不依赖任何反应模版并且也不依赖子图同构。它通过一系列图变换，将产物分子转换(或称为翻译)到反应物分子。实验结果表明，G2Gs的性能远优于不依赖反应模版的方法，它的性能与基于模版的方法相近，但是它不依赖领域知识和子图同构，且具有更好的可扩展性。
播放：70次，课程ID：4694778
发现一种可以治愈人类某种疾病的新药，特别是要将这款新药推向市场，是一个漫长且昂贵的过程，估计需要 10 年以上的时间，平均耗费为 25 亿美元。最近几十年以来，科学家们一直在寻求通过现代计算技术来辅助新药发现的过程， 特别是人工智能和深度学习在这个领域得到了越来越多的关注。本报告汇报了我们在新药发现领域的两个工作：（1）我们提出了一个基于自回归流模型的分子图生成模型 GraphAF。实验结果表明，GraphAF可以生成真实、新颖、独特且多样的分子，而且所有生成的分子在化学意义上都 是合理的，在分子性质优化任务上也取得了最好的效果。（2）我们提出了可以预测分子逆合成路线的模型G2Gs。G2Gs不依赖任何反应模版并且也不依赖子图同构。它通过一系列图变换，将产物分子转换(或称为翻译)到反应物分子。实验结果表明，G2Gs的性能远优于不依赖反应模版的方法，它的性能与基于模版的方法相近，但是它不依赖领域知识和子图同构，且具有更好的可扩展性。
No list
First-year master student at MILA, 导师为唐建教授。主要研究方向为图表示学习，已在相关领域的国际会议如ICLR，ICML等发表论文。