Udoskonalony pre-trening dla metod uczenia głębokiego w dziedzinie chemii

Postęp w chemii obliczeniowej ma kluczowe znaczenie dla przyspieszenia procesu odkrywania leków. Metodytakie jak screening wirtualny pomagają w wyborze kandydatów na leki, przeszukując przestrzeń chemiczną możliwych cząsteczek i ich właściwości, tym samym obniżając wysokie koszty prowadzenia eksperymentów laboratoryjnych.Nowoczesne podejścia do prognozowania właściwości molekularnych wykorzystują modele głębokiego uczenia się, które pomimo ogromnego sukcesu w przetwarzaniu języka naturalnego i wizji komputerowej, nadal nie osiągają dobrych wyników w chemii. Ostatnie wysiłki badawcze koncentrują się na idei zastosowania techniki pre-treningu w celu wykorzystania dużych baz danych związków i uchwycenia możliwych do generowania chemikaliów. W pracy rozważam ulepszenia pre-treningu dla modeli głębokiego uczenia się w zakresie zadań przewidywania właściwości molekularnych.Progress in computational chemistry is critical for speeding up the drug discovery process. Methodssuch as Virtual Screening help in choosing drug candidates by searching through chemical space of possible molecules and their properties, therefore cutting high cost of conducting laboratory experiments.Modern approaches to molecular property prediction use deep learning models which, despite their massive success in natural language processing and computer vision, are still underperforming in chemistrydomain. Recent research efforts focus on the idea of using pre-training technique to leverage large compound databases and capture generalisable chemical priors. In the thesis I consider improvements of theaforementioned pre-training applied to deep learning models on molecular property prediction tasks