药物分子的ADME预测课程

2. 药物分子的ADME预测

2.1 训练数据的制备

• 数据来源：药物数据库（如PubChem、ChEMBL）
• 数据预处理：分子表示（如SMILES格式转化为分子图或分子指纹）
• 数据清洗：去除冗余和噪声数据，标准化处理

2.2 模型结构的设计

• 常用模型：图神经网络（GNN）、变分自编码器（VAE）、递归神经网络（RNN）
• 具体实现：如何构建分子图并通过GNN提取特征，利用VAE进行分子生成与优化

2.3 目标函数的设定

• 常用目标函数：均方误差（MSE）、对比损失、二分类交叉熵
• 具体场景：回归任务（如溶解度预测），分类任务（如毒性预测）

2.4 评估体系的构建

• 评估指标：均方误差（MSE）、ROC-AUC、PR-AUC
• 验证方法：留一验证、时序验证
• 实验分析：模型性能对比，不同模型架构和超参数的影响