VIP20
本课程属于：035-ADMET预测批次质控 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

ADMET深度学习特征建模与超参数优化

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
ADMET概述
ADMET概念 · 在药物研发中的重要性 · 传统方法简介
ADMET概念
02
深度学习基础
神经网络原理 · 激活函数 · 损失函数
深度学习基础神经网络原理
03
深度学习框架
PyTorch/TensorFlow… · 基础操作
深度学习框架PyTorch/Tens…
04
分子表示方法
SMILES · 分子图 · 指纹
分子表示方法SMILES
05
图神经网络入门
图卷积网络 · 消息传递机制
图神经网络入门图卷积网络
06
ADMET数据集
公开数据集介绍（Tox21 · ClinTox等） · 数据获取
ADMET数据集
07
数据预处理
缺失值处理 · 标准化 · 数据划分
数据预处理缺失值处理
08
特征工程
分子描述符计算 · 特征选择
特征工程分子描述符计算
09
多任务学习
ADMET多标签预测 · 损失设计
多任务学习ADMET
10
批处理效应来源
实验室 · 时间 · 仪器差异导致的批次效应
批处理效应来源实验室
11
批次效应检测
可视化方法（PCA · t-SNE） · 统计检验
批次效应检测PCA
12
传统批次校正方法
ComBat · Limma介绍
传统批次校正方法ComBat
13
深度批次校正
对抗性训练 · 域适应方法
深度批次校正对抗性训练
14
模型架构选择
MLP · CNN · GNN
模型架构选择MLP
15
超参数调优
网格搜索 · 随机搜索 · 贝叶斯优化
超参数调优网格搜索
16
正则化技术
Dropout · BatchNorm · 权重衰减
正则化技术Dropout
17
早停与学习率调整
ReduceLROnPlateau · CosineAnnealing
早停学习率调整
18
模型评估指标
AUC-ROC · F1 · RMSE
模型评估指标AUC-ROC
19
交叉验证策略
K折 · 分层 · Leave-one-out
交叉验证策略K折
20
集成学习
Bagging · Stacking · 快照集成
集成学习Bagging
21
不确定性估计
MC Dropout · 集成不确定性
不确定性估计MC
22
可解释性
Grad-CAM · SHAP · 分子注意力
可解释性Grad-CAM
23
数据增强
分子增强 · SMILES扰动 · 图增强
数据增强分子增强
24
迁移学习
预训练模型 · 微调策略
迁移学习预训练模型
25
多模态融合
结合理化性质 · 成像数据
多模态融合结合理化性质
26
实验设计
批次校正对比实验 · 消融实验
实验设计批次校正对比实验
27
超参数扫描实战
Optuna/Tune使用案例
超参数扫描实战Optuna/Tune
28
端到端流程
数据加载 · 训练 · 校正
端到端流程数据加载
29
案例研究
药物毒性预测批次校正调优全流程
案例研究药物毒性预测批次…
30
前沿趋势
联邦学习 · 自监督学习 · 大语言模型在ADMET中的应用
前沿趋势联邦学习