基于生成对抗网络的药物结构生成研究

发布时间：2023-02-06 10:48

　　随着人们对化合物结构研究的不断深入,对化合物应用的不断探索,形成了规模巨大的化合物的数据库,而大量的化合物也可能具有类似的应用特性。以药物应用为例,我们已知某类药物化合物可以用于某类疾病或症状的治疗或处理,当出现新的疾病时我们便希望找到新的化合物以应对此问题,或者我们希望寻找已知应用方案外的其他备选化合物。然而寻找具有所需生物活性的新分子是极其困难的任务。在这种情况下,人工智能和生成模型已用于分子设计和化合物优化。在本文中,我们基于生成对抗网络,结合极大似然与进化思想提出了一种生成模型,用以生成新的具有药物特性的化合物结构。该模型使用极大似然的抽样奖励作为生成器目标以降低方差强化训练,另外,我们还希望针对药物特性的不同指标进行强化,利用遗传思想,令每一次训练的生成器产生子代时都对不同的目标进行强化,从而产生不同目标的子代生成器,这样做避免了讨论不同指标在强化过程中的加权问题。而强化后的子代生成器通过环境适应度函数的筛选,每一次换代最后留下适应度更优的生成器,直到迭代结束,我们就获得了多种强化程度的生成器。这样做我们可以得到综合质量更好的分子,也可以保证生成数据的多样性。通过生成模型我们...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 引言
    1.1 课题研究背景
    1.2 研究目的与意义
    1.3 本文的主要内容
    1.4 组织结构
第2章 生成对抗网络与分子结构生成概况
    2.1 分子结构生成研究现状
        2.1.1 基于自编码器的模型
        2.1.2 基于生成对抗网络的模型
        2.1.3 基于RNN的模型
        2.1.4 将深度生成模型和强化学习相结合的混合模型
        2.1.5 新分子生成领域的深度生成模型面临的挑战
    2.2 生成对抗网络
        2.2.1 生成对抗网络的原理
        2.2.2 生成对抗网络的优点
        2.2.3 生成对抗网络的不足
        2.2.4 生成对抗网络的变种
    2.3 生成对抗网络在分子生成中的应用
    2.4 分子与应用对象存在作用的预测模型研究现状
    2.5 本章小结
第3章 基于生成对抗网络的分子结构生成模型
    3.1 目标增强的生成性对抗网络分子序列生成模型
    3.2 方差降低与多目标增强
        3.2.1 最大似然增强与蒙特卡洛搜索
        3.2.2 方差降低分析
        3.2.3 多目标增强
    3.3 基于多目标最大似然增强的分子生成模型
    3.4 实验与结果分析
    3.5 本章小结
第4章 基于交互网络和相似性的药物-疾病作用预测模型
    4.1 系统模型
    4.2 基于交互网络的模型在药物-疾病作用预测的应用
        4.2.1 疾病相似性
        4.2.2 药物相似性
        4.2.3 算法流程
    4.3 实验结果及分析
        4.3.1 评估指标
        4.3.2 交叉验证
        4.3.3 局限性分析
    4.4 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 未来展望
致谢
参考文献
攻读学位期间发表的学术论文及参加科研情况



本文编号：3735857