Изменения

Еще одна задача, которая есть сейчас в мире машинного обучения {{---}} генерировать новые молкулы, которые могут потенциально быть лекарствами. Для этого используют генеративно-состязательные сети. Основное преимущество такого подхода заключается в том, что при работе с библиотеками уже синтезированных лекарств есть вероятность "пропустить" важное соединение просто потому, что в этой библиотеке его не было. ПОэтому Поэтому используется также и абсолютно другой подход {{---}} предлагается наоборот генерировать различные молекулы, а уже потом проверять, действительно ли их можно использовать как лекарство и насколько сложно его их синтезировать. Часто эти свойства вносят в метрику качества генератора.

Часто в метрику качества SMILES {{---}} способ однозначного задания молекулы при помощи строки. Таким образом, задача генератора также включают и соответствие некоторым молекулярным свойствам, необходимым {{---}} сгенерировать такую строку SMILES для тогомолекулы, чтобы молекулу можно было использовать дискриминатор не отличил ее от настоящей. Архитектура дискриминатора чаще всего остается очень похожей на архитектуру обычной сети, предсказывающей молекулярные свойства. Таким обрзом, в качестве лекарствадискриминатора часто используются графовые или сверточные нейронные сети. Для генератора же часто используют механизм памяти, а также по некоторым свойствам проверяютчтобы сеть помнила, может ли вообще предложенное генератором соединение быть синтезированнымкакие части уже были сгенерированны и отталкивалась от них.