VIP20
本课程属于：051-ADMET预测特征学习任务 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

分子特征自监督学习在ADMET中的实践

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
分子基础概念与化学空间
原子 · 化学键 · 分子式
分子基础概念化学空间
02
ADMET简介与药物研发流程
吸收 · 分布 · 代谢
ADMET简介
03
分子特征表示方法概览
传统描述符(如RDKit) · 图表示 · 序列表示(SMILES/InChI)
分子特征表示方法…RDKit
04
自监督学习基本原理
对比学习 · 生成式预训练 · 掩码建模的核心思想
自监督学习基本原…对比学习
05
分子自监督学习经典框架
MolCLR · GROVER · MoCo
分子自监督学习经…MolCLR
06
数据获取与预处理
ChEMBL · PubChem · ZINC等公共数据库及ADMET数据…
数据获取预处理
07
Python环境搭建
安装RDKit · PyTorch · DGL/PyG
Python环境搭建
08
分子图构建
节点特征(原子类型 · 杂化) · 边特征(键类型)
分子图构建节点特征
09
SMILES序列化与分词
使用自注意力编码器(如BERT)对S…
SMILES序列化
10
对比学习实现
数据增强(原子掩码 · 边扰动 · 子图采样)
对比学习实现数据增强
11
分子编码器设计
GIN(Graph Isomorph… · GCN · MPNN的理论与实践
分子编码器设计GIN
12
预训练任务详解
节点属性掩码 · 图级对比 · 图-子图互信息最大化
预训练任务详解节点属性掩码
13
下游任务适配
ADMET分类(如Caco-2 pe… · 回归(如LogD) · 多任务学习
下游任务适配ADMET
14
fine-tuning策略
全量微调 · 线性探测(linear probin… · 半监督微调
fine-tuning策略
15
分子性质预测基线模型
使用传统ML模型(XGBoost · Random Forest)与预训练…
分子性质预测基线…ML
16
实现MolCLR
基于PyTorch Geometri… · 增强 · 训练循环)
MolCLR实现
17
实现GROVER
消息传递网络与递进自注意力(Tran…
GROVER实现
18
基于Transformer的分子生成预训练
MolGPT · ChemBERTa的ADMET适应
Transformer基于
19
模型评估指标
AUC-ROC · F1 · R^2
模型评估指标AUC-ROC
20
过拟合与泛化
ADMET数据不平衡处理(重采样/加… · 正则化技巧
过拟合泛化
21
多任务与多模态学习
同时预测多个ADMET属性 · 融合分子特征与实验条件
多任务多模态学习
22
分子构象与3D自监督
使用E(3)等变网络(如SE(3)-…
分子构象3D自监督
23
可解释性分析
利用GNNExplainer · 注意力权重可视化预测的化学解释
可解释性分析GNNExplainer
24
实验设计与超参数调优
学习率 · 批大小 · 增强强度
实验设计超参数调优
25
迁移学习与领域适应
从通用分子数据集预训练到特定ADME…
迁移学习领域适应
26
数据集划分策略
scaffold split与ran… · 避免数据泄漏
数据集划分策略scaffold
27
模型集成与不确定性量化
集成学习 · 贝叶斯GNN在ADMET置信度评估中…
模型集成不确定性量化
28
实战案例1
肝毒性预测——从数据清洗到模型部署的…
实战案例1肝毒性预测
29
实战案例2
血脑屏障穿透性(BBB)预测——结合…
实战案例2BBB
30
前沿与展望
大型化学语言模型(如MegaMolB… · 主动学习 · 联邦学习在ADMET中的潜力
前沿MegaMolB