Изменения

[[Файл:SMILES.png|thumb|Рисунок 10. Пример строки SMILES для молекулы<ref>[https://ru.wikipedia.org/wiki/SMILES Википедия: SMILES]</ref>.]][[Файл:Ranc scheme.png|thumb|Рисунок 1011. Пример генеративной состязательной сети для лекарственных молекул. Сеть RANC (Reinforced Adversarial Neural Computer) <ref>[https://pubs.acs.org/doi/10.1021/acs.jcim.7b00690 Evgeny Putin et al., Reinforced Adversarial Neural Computer for de Novo Molecular Design, 2018]</ref>.]]Еще одна задача, которая есть сейчас в мире машинного обучения {{---}} генерировать новые молекулы, которые могут потенциально быть лекарствами. В отличие от подхода с анализом уже существующих библиотек лекарств, такая модель такай подход исключает возможность "пропустить" хорошо походящее вещество из-за того, что оно не было включено в библиотеку для анализа. Для этого используют [[Generative Adversarial Nets (GAN)|генеративные состязательные сети]] (рис. 10). Таким образом, в этом случае используется абсолютно другой подход {{---}} предлагается наоборот генерировать различные молекулы, а уже потом проверять, действительно ли их можно использовать как лекарство и насколько сложно их синтезировать. Часто эти свойства (схожесть к лекарственным средствам и синтезируемость) вносят в метрику качества генератора, поскольку часто модели генерируют молекулы, которые невохможно синтезировать даже с точки зрения валентности<ref>[https://ru.wikipedia.org/wiki/%D0%92%D0%B0%D0%BB%D0%B5%D0%BD%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C Википедия: Валентность]</ref> атомов.

Для кодирования молекулярной структуры существует специальная нотация SMILES (Simplified Molecular Input Line Entry System, с англ. — «система упрощённого представления молекул в строке ввода») {{---}} способ система правил (спецификация) однозначного задания описания состава и структуры молекулы при помощи химического вещества с использованием строки символов. Таким образом, задача моделей состоит в генерации строки, правильной с точки зрения SMILES.  Для этого используют [[Generative Adversarial Nets (GAN)|генеративные состязательные сети]] (рис. 10). Таким образом, в этом случае используется абсолютно другой подход {{---}} предлагается наоборот генерировать различные молекулярные структуры в формате SMILES-строки, а уже потом проверять, действительно ли их можно использовать как лекарство и насколько сложно их синтезировать. Часто эти свойства (схожесть к лекарственным средствам и синтезируемость) вносят в метрику качества генератора, поскольку часто модели генерируют молекулы, которые невохможно синтезировать даже с точки зрения валентности<ref>[https://ru.wikipedia.org/wiki/%D0%92%D0%B0%D0%BB%D0%B5%D0%BD%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C Википедия: Валентность]</ref> атомов, но, тем не менее, являющихся SMILES-корректными.  Таким образом, задача генератора {{---}} сгенерировать такую строку SMILES для молекулы, чтобы дискриминатор не отличил ее от настоящей. Архитектура дискриминатора чаще всего остается очень похожей на архитектуру обычной сети, предсказывающей молекулярные свойства. Таким образом, в качестве дискриминатора часто используются графовые или сверточные нейронные сети. Для генератора же часто используют механизм памяти, чтобы сеть помнила, какие части уже были сгенерированы и отталкивалась от них.