Изменения

Одна из главных задач машинного обучения при поиске новых лекарств {{---}} сужение круга их поиска. Чаще всего, фармацевтические компании имеют на руках библиотеки с огромным количеством веществ, которые они потенциально могут синтезировать и опробовать в качестве лекарства. Но обычно размеры этих библиотек составляют тысячи молекул, поэтому ситезировать и проверить каждую из них не представлятся возможным. В этом случае прибегают к предсказанию некоторых свойств этих молекул, которые точно определяют, может ли молекула быть использована как лекарство. Для предсказания свойств молекул обычно используют молекулярный граф - графическое представление молекулы (ее атомов и связей).

Первые нейронные сети для предсказания молекулярных свойств использовали Моргановские фингерпринты (англ. Morgan fingerpints), которые для каждого атома в моекуле выделяли всех его соседей на каком-то пределенном расстоянии (гиперпараметр) и смотрели на наличие такой подструктуры в молекуле. Получался аналог некоторого оne-hot кодирования. Прорыв в этой области случился с появлением сети NeuralFingerprints ([[https://arxiv.org/abs/1509.09292 Duvenaud et al. Convolutional Networks on Graphs for Learning Molecular Fingerprints]]), где фингерпринты получались путем учитывания важности подструктур из Моргановских фингерпринтов, то есть были добавлены веса у каждой из возмоных подструктур.