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

ADMET模型训练策略与性能提升指南

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 · 传统实验方法与计算预测的对比
ADMET概念
02
分子表示方法
SMILES · InChI · 分子图
分子表示方法SMILES
03
数据收集与预处理
ChEMBL · PubChem等数据库使用 · 数据清洗
数据收集预处理
04
特征工程
分子描述符计算（RDKit · Mordred） · 特征选择
特征工程RDKit
05
数据集划分
训练/验证/测试集划分 · 时间序列划分 · 分子骨架划分
数据集划分训练
06
传统机器学习模型
随机森林 · XGBoost · 支持向量机在ADMET预测中的应用与…
传统机器学习模型随机森林
07
图神经网络基础
消息传递机制 · GCN · GAT
图神经网络基础消息传递机制
08
图神经网络进阶
MPNN · AttentiveFP · GIN模型在分子性质预测中的实践
图神经网络进阶MPNN
09
Transformer在分子领域的应用
分子SMILES序列建模 · ChemBERTa · MolFormer等预训练模型
Transformer分子领域的应用
10
预训练与迁移学习
大规模分子预训练（GROVER · MEGAN · MolCLR）
预训练迁移学习
11
多模态融合
融合分子图 · 序列 · 描述符的多视角模型设计与训练流程
多模态融合融合分子图
12
不确定性量化
贝叶斯神经网络 · MC Dropout · 集成学习在ADMET预测中的置信度评…
不确定性量化贝叶斯神经网络
13
模型解释性
GNNExplainer · Integrated Gradien… · SHAP值在分子特征归因上的应用
模型解释性GNNExplainer
14
损失函数设计
加权交叉熵 · Focal Loss · 边际损失
损失函数设计加权交叉熵
15
正则化与抗过拟合
Dropout · 权重衰减 · 标签平滑
正则化抗过拟合
16
超参数优化
网格搜索 · 贝叶斯优化 · Hyperopt
超参数优化网格搜索
17
训练加速策略
混合精度训练 · 梯度累积 · 分布式数据并行（DDP）
训练加速策略混合精度训练
18
性能评估指标
AUC-ROC · AUPR · RMSE
性能评估指标AUC-ROC
19
模型集成方法
Bagging · Boosting · Stacking在ADMET任务中的…
模型集成方法Bagging
20
多任务学习
同时预测多个ADMET属性的共享表示…
多任务学习ADMET
21
主动学习
不确定性采样 · 多样查询策略在标注高效低成本下的应用
主动学习不确定性采样
22
域适应与对抗训练
在不同分子骨架分布下的泛化能力提升
域适应对抗训练
23
联邦学习与隐私保护
在多方数据不共享时训练全局ADMET…
联邦学习隐私保护
24
模型校准
温度缩放 · 保序回归 · 贝叶斯方法对预测概率校准的技术
模型校准温度缩放
25
异常检测与数据清洗
基于预测残差 · 密度估计的异常分子检测流程
异常检测数据清洗
26
实用工具链
DGL · PyTorch Geometric · DeepChem
实用工具链DGL
27
模型部署与推理优化
ONNX导出 · TensorRT加速 · Web API封装（Flask/Fa…
模型部署推理优化
28
可重复性保障
随机种子管理 · 版本控制（DVC） · 实验日志（MLflow
可重复性保障随机种子管理
29
案例实战1
水溶性（LogS）预测模型的完整训练 · 调优与验证流程
案例实战1LogS
30
案例实战2
hERG毒性预测模型的建立 · 评估与可解释性分析
案例实战2hERG