VIP20
本课程属于：045-AI药物发现特征学习任务 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

多任务学习在QSAR中的应用

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
QSAR概述
QSAR的定义 · 历史发展 · 在药物发现中的作用与常见应用场景
QSAR的定义
02
QSAR建模流程
数据收集 · 分子描述符计算 · 模型训练
QSAR建模流程
03
传统机器学习方法
线性回归 · SVM · 随机森林在QSAR中的实现与局限
传统机器学习方法线性回归
04
深度学习基础
神经网络结构 · 激活函数 · 损失函数
深度学习基础神经网络结构
05
分子表示方法
SMILES · 分子指纹（ECFP · MACCS）
分子表示方法SMILES
06
图神经网络基础
GCN · GAT · 消息传递机制
图神经网络基础GCN
07
多任务学习概念
定义 · 与单任务学习的对比 · 多任务学习的优势与挑战
多任务学习概念定义
08
多任务学习在QSAR中的动机
共享信息 · 数据增强 · 克服数据稀疏
QSAR多任务学习
09
多任务数据集构建
数据集来源（ChEMBL · PubChem） · 数据清洗
多任务数据集构建ChEMBL
10
特征共享策略
硬参数共享架构（底层共享+任务特定层…
特征共享策略硬参数共享架构
11
软参数共享架构
正则化约束 · 十字绣网络 · 张量分解等软共享方法
软参数共享架构正则化约束
12
任务关系学习
通过学习任务间的相关性矩阵或注意力机…
任务关系学习通过学习任务间的…
13
不确定性加权
基于同质/异质不确定性自动调整各任务…
不确定性加权基于同质
14
梯度归一化
GradNorm · PCGrad等梯度平衡技术在多任务训…
梯度归一化GradNorm
15
动态权重策略
DWA · MGDA · EW等自适应损失权重算法
动态权重策略DWA
16
多任务学习中的过拟合风险
任务过多时的负迁移问题与正则化技巧
多任务学习过拟合风险
17
模型评估与验证
多任务场景下的交叉验证 · 留一任务验证 · 多指标评价
模型评估验证
18
性能度量
RMSE · R² · AUC-ROC
性能度量RMSE
19
可视化与可解释性
特征重要性 · Grad-CAM对分子的可视化 · 注意力权重分析
可视化可解释性
20
迁移学习与多任务联合
预训练-微调模式与多任务联合训练的互…
迁移学习多任务联合
21
对抗训练与多任务
对抗扰动增强鲁棒性 · 在QSAR中抑制对抗样本影响
对抗训练多任务
22
多任务图神经网络
MPNN · AttentiveFP · MAT等模型处理多性质预测
多任务图神经网络MPNN
23
案例研究——毒性预测
使用多任务GNN同时预测多个毒性端点… · Ames等）
案例研究毒性预测
24
案例研究——活性预测
多任务回归预测多个靶点的抑制活性（I…
案例研究活性预测
25
案例研究——ADME预测
同时预测吸收 · 分布 · 代谢
ADME案例研究
26
案例研究——多靶点药物设计
利用多任务模型识别多靶点活性化合物
案例研究多靶点药物设计
27
超参数调优
学习率 · 共享层深度 · 任务权重
超参数调优学习率
28
实战项目
利用PyTorch和DGL实现一个多… · 从数据到部署
实战项目PyTorch
29
挑战与未来方向
数据异质性 · 任务不平衡 · 可解释性瓶颈
挑战未来方向
30
课程总结
多任务学习在QSAR中的核心贡献 · 经验教训与持续学习建议
课程总结QSAR