Zastosowanie metod uczenia maszynowego do analizy spektroskopowej inhibitorów monoaminooksydazy.

Sztuczna Inteligencja (AI), a w szczególności uczenie maszynowe (Machine Learning, ML) wywarło wielki wpływ na rozwój metod analizy danych. ML jest podejściem często używanym do obliczeń w wielu dziedzinach nauki, jednakże w przypadku chemii ML nie znajduje obecnie wielu zastosowań. Mimo to, w ostatnim czasie, obserwuje się zwiększone zainteresowanie oraz rozwój algorytmów ML ze względu na fakt, iż stanowią one szansę na zmniejszenie kosztów oraz czasu obliczeniowego w wielu dziedzinach chemii komputerowej jednocześnie zachowując dobrą dokładność wyników. Popularną architekturą obliczeniową wykorzystującą algorytmy ML znajdującą szerokie zastosowanie w chemii jest SchNetPack. SchNetPack jest architekturą obliczeniową pozwalającą na obliczenie szeregu kluczowych wielkości opisujących systemy atomowe, np. powierzchnia energii potencjalnej (PES) układu atomowego, energie orbital HOMO oraz LUMO i ogólnie całe spektrum wielkości, do wyznaczenia których zastosować można zasadę superpozycji. Wykonana analiza została przeprowadzona za pomocą jednego z modeli obliczeniowych oferowanych przez SchNetPack. Praca ta zawiera opis modelu SchNet oraz analizę widma mocy selegiliny będącej inhibitorem oksydazy monoaminowej. Następnie zaprezentowane jest porównanie widma mocy selegiliny wygenerowanego przy pomocy SchNet z referencyjnym widmem mocy selegiliny wygenerowanym przy pomocy metod ab-initio dynamiki molekularnej. Następnie porównano koszty oraz czas obliczeniowy między metodami ML oraz dynamiki molekularnej. W celu wykonania obliczeń do pracy wybrano architekturę obliczeniową SchNet, ponieważ jest to architektura rozwijająca się bardzo dynamicznie. SchNet pozwala na trening sieci neuronowej przy użyciu zewnętrznych baz danych, do których posiada już dostęp, więc QM9, ANI1, czy też MD17, jak również poszerzenie dostępu na inne zewnętrzne bazy danych. Ponadto, SchNet posiada odpowiednie skrypty służące do przygotowania baz danych na podstawie plików z danymi wygenerowanymi przez użytkownika.Artificial Intelligence (AI) in general and Machine Learning (ML) in particular, made a great impact on data analysis. ML is frequently applicable computational tool in many areas of science. However, in chemistry, ML does not have many applications. Nevertheless, ML algorithms recently develop as they are a great hope in many areas of computational chemistry to decrease computational cost and time with keeping good accuracy. Very popular computational architecture with ML approach dedicated especially to chemical calculations is SchNetPack. SchNetPack enables to calculate the variety of crucial properties of atomic systems such as potential energy surfaces (PESs), energies of HOMO and LUMO orbitals and generally whole spectrum of properties to calculate which superposition principle might be applied. In this thesis, SchNet approach is presented, described and applied to generate power spectrum of selegiline which is a MAO-B inhibitor. After that power spectrum generated with SchNet is compared with the reference spectrum generated with \textit{ab-initio} MD methods. The computational cost between two methods (so SchNet and MD) are compared. SchNet has been chosen to perform calculations as it is very dynamically developing architecture. SchNet allows to perform training on external data bases by enabling for the access to popular and legitimate learning data bases e.g. QM9, ANI1, MD17 and also it enables to obtain access to more external data bases. What is, even more important, SchNet supports special scripts to parse custom-made data and create custom-made learning data bases in a very quick and easy way