분자 생성 및 속성 예측을 위한 AI 워크플로우 설계

초기 신약 개발을 위한 AI 워크플로우 설계는 모델 선택만큼이나 화학에 대한 이해가 중요합니다. 선택하는 분자 표현 방식, 훈련 데이터, 불확실성 처리 방식, 그리고 의약 화학자와의 통합 방식은 모두 워크플로우가 유용한 후보 물질을 생성하는지 아니면 값비싼 노이즈를 생성하는지를 결정합니다. 이 과정에서는 이러한 결정 사항들을 체계적으로 살펴봅니다. 컴퓨터 화학 팀이 AI 지원 발견 워크플로우를 계획하는 방식을 반영한 서면 설계 연습을 진행합니다. 데이터가 부족하고 잘못된 예측의 비용이 높을 때 중요한 실제적인 절충안에 중점을 둡니다. 학습 내용: - SMILES, 그래프, 3D 인식 인코딩을 포함한 분자 표현 방식 선택 - 공개 소스, 내부 데이터, 합성 증강을 균형 있게 고려한 데이터셋 계획 - 변이형 오토인코더, 트랜스포머, 확산 모델을 포함한 분자 설계를 위한 생성 접근 방식 비교 - 보정된 불확실성을 가진 활성, 독성 및 약동학적 속성에 대한 예측 모델 구축 - 합성할 다음 분자를 우선순위화하기 위한 능동 학습 및 베이즈 최적화 적용 - 모델과 실험실 작업 간의 격차를 해소하는 의약 화학자와의 피드백 루프 설계 이 과정은 분자 표현 방식부터 생성 모델링, 예측, 능동 학습, 화학자 협업까지 진행됩니다. 최종 서면 연습에서는 특정 치료 영역을 목표로 하는 AI 지원 발견 워크플로우에 대한 1페이지 디자인 초안을 작성하도록 합니다. 이 과정은 컴퓨터 화학자, 제약 산업에 진입하는 데이터 과학자, 그리고 약간의 소프트웨어 배경 지식이 있는 생명 과학 학생을 대상으로 합니다. 깊은 의약 화학 경험은 필요하지 않습니다. 이 과정은 워크플로우를 설계 문제로 다루며 정보 제공 목적이며, 특정 과학적 또는 의학적 결정에 대한 지침을 제공하지는 않습니다.