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

多任务学习同时预测多个ADMET属性

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
药物研发中的ADMET属性（吸收 · 分布 · 代谢
ADMET药物研发
02
多任务学习基础
多任务学习的概念 · 共享表示与任务特定层 · 与单任务学习的对比
多任务学习基础多任务学习的概念
03
化学信息学基础
分子表示方法（SMILES · InChI · 分子指纹
化学信息学基础SMILES
04
常用ADMET数据集介绍
ClinTox · Tox21 · SIDER
ADMET常用
05
数据预处理与清洗
处理缺失值 · 标准化 · 平衡类别不平衡
数据预处理清洗
06
分子特征工程
MACCS指纹 · ECFP/FCFP · 摩根指纹
分子特征工程MACCS
07
分子图构建
从SMILES转化为分子图 · 节点特征与边特征的选取
分子图构建SMILES
08
传统机器学习模型在多任务ADMET中的应用
随机森林 · XGBoost · 支持向量机及多输出扩展
ADMET传统机器学习模型
09
深度学习基础回顾
神经网络 · 反向传播 · 激活函数
深度学习基础回顾神经网络
10
多层感知机（MLP）用于多任务ADMET
硬参数共享 · 多输出头 · 损失函数设计
MLPADMET
11
图神经网络（GNN）入门
GCN · GAT · 消息传递机制
GNN图神经网络
12
基于GNN的多任务ADMET模型
MPNN · AttentiveFP · Weave模型
GNNADMET
13
注意力机制与Transformer
自注意力 · 多头注意力 · 位置编码
Transformer注意力机制
14
分子Transformer架构
分子SMILES序列建模 · ChemBERTa · MolFormer在多任务中的应用
Transformer分子
15
任务相关性学习
通过不确定性加权 · 任务间注意力 · 梯度归一化来平衡多个任务
任务相关性学习通过不确定性加权
16
多任务损失函数
均方误差 · 交叉熵 · 自定义损失（加权和
多任务损失函数均方误差
17
训练策略
联合训练 · 交替训练 · 课程学习（Curriculum Le…
训练策略联合训练
18
模型评估指标
分类任务（AUC-ROC · F1 · 准确率）
模型评估指标AUC-ROC
19
验证与测试
留出法 · 交叉验证 · 外部测试集评估
验证测试
20
过拟合与欠拟合
早停 · 权重衰减 · 模型集成（Bagging/Boost…
过拟合欠拟合
21
超参数优化
网格搜索 · 随机搜索 · 贝叶斯优化（针对多任务模型的特殊调整…
超参数优化网格搜索
22
可解释性方法
SHAP · GNNExplainer · 注意力权重可视化在ADMET预测中的…
可解释性方法SHAP
23
分子生成与多任务结合
利用VAE或GAN生成满足ADMET…
分子生成多任务结合
24
迁移学习与预训练
在大规模化学数据集上预训练 · 然后在ADMET多任务上微调
迁移学习预训练
25
联邦学习与隐私保护
在多家药企间协作训练多任务ADMET…
联邦学习隐私保护
26
不确定性量化
贝叶斯神经网络 · 蒙特卡洛Dropout在多个ADME…
不确定性量化贝叶斯神经网络
27
模型部署与工程化
ONNX导出 · Triton推理服务器 · REST API封装
模型部署工程化
28
案例分析1
使用DeepChem与PyTorch…
案例分析1DeepChem
29
案例分析2
基于DGL或PyG构建GNN多任务模… · 并在Tox21数据集上训练与评估
案例分析2DGL
30
前沿进展与未来方向
多模态（图像+文本+结构） · 自监督学习 · 基础模型在ADMET中的应用
前沿进展未来方向