VIP20
本课程属于：014-ADMET性质预测模型 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

图神经网络ADMET预测实战

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
ADMET在药物发现中的角色 · GNN为什么适合分子预测 · 课程大纲与学习路线
课程导论ADMET
02
分子化学基础
SMILES与InChI表示法 · 官能团与分子性质 · 手性与立体化学
分子化学基础SMILES
03
分子图构建
RDKit解析分子 · 原子与键特征 · 图数据结构（PyG的Data对象）
分子图构建RDKit
04
图神经网络基础
图卷积网络（GCN）原理 · 消息传递范式 · 邻接矩阵与拉普拉斯矩阵
图神经网络基础GCN
05
PyTorch Geometric入门
安装与配置 · 数据集加载 · 自定义数据加载器
PyTorchGeometric
06
图卷积层实现
GCNConv源码分析 · 带自环的邻域聚合 · 可学习权重矩阵
图卷积层实现GCNConv
07
图池化与读出操作
全局平均池化 · 注意力池化（Attentive Po… · Set2Set
图池化读出操作
08
图分类模型实战
使用GCN对MoleculeNet数… · 评估指标
图分类模型实战GCN
09
图回归模型实战
预测LogP · 溶解度等连续值 · 损失函数选择
图回归模型实战LogP
10
分子特征工程
原子类型 · 化学键类型 · 手性标签
分子特征工程原子类型
11
数据集处理与划分
MoleculeNet系列数据集 · 组织数据集 · 训练/验证/测试集划分策略
数据集处理划分
12
深层GNN的挑战
过平滑问题 · 跳跃连接（JK-Net） · 残差连接与Gated Graph
GNN深层
13
图注意力机制
GAT与GATv2原理 · 多头注意力 · 边特征融合
图注意力机制GAT
14
图消息传递增强
GIN（图同构网络） · PPGN · 结合边缘特征的MPNN
图消息传递增强GIN
15
多任务学习
ADMET多目标预测 · 任务权重平衡 · 梯度归一化
多任务学习ADMET
16
模型训练技巧
学习率调度 · 早停 · 梯度裁剪
模型训练技巧学习率调度
17
超参数优化
网格搜索与贝叶斯优化 · Optuna集成 · 实战案例
超参数优化网格搜索
18
可解释性分析
GNNExplainer · 注意力权重可视化 · 基于梯度的重要子结构
可解释性分析GNNExplainer
19
图生成模型入门
VAE与GAN在分子生成中的应用 · 与ADMET结合的前景
图生成模型入门VAE
20
物理信息融合
分子动力学辅助特征 · 预训练量子化学特征（SchNet · PaiNN）
物理信息融合分子动力学辅助特…
21
预训练与迁移学习
大规模分子预训练模型（GROVER · MoLFormer） · 微调至ADMET任务
预训练迁移学习
22
联邦学习与隐私保护
分布在不同机构的ADMET数据 · 联邦GNN训练框架
联邦学习隐私保护
23
模型部署与推理优化
ONNX导出 · TensorRT加速 · REST API构建
模型部署推理优化
24
实战项目一
从PubMed文献中提取ADMET数… · 构建定制数据集
实战项目一PubMed
25
实战项目二
构建基于GCN的代谢稳定性预测模型 · 对比ML基线
实战项目二GCN
26
实战项目三
构建基于GAT的毒性预测模型 · 进行SHAP解释
实战项目三GAT
27
实战项目四
构建基于GIN的多任务ADMET预测…
实战项目四GIN
28
模型评估与验证
交叉验证 · 外部测试集 · AUROC与RMSE
模型评估验证
29
竞赛与最新进展
DGraph · MolGPT · KPGT等前沿方法综述
竞赛最新进展
30
课程总结与未来展望
GNN在ADMET中的工业落地 · 持续学习路径
课程总结未来展望