07.10.2024, 16:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Property Prediction with Matched Molecular Pair Networks
Kurzfassung:
Diese Dissertation konzentriert sich auf die Anwendung von Machine-Learning-Techniken
(ML) in der Arzneimittelforschung und verwendet die Methode der Matched Molecular
Pairs (MMP) neben dem Graph Neural Network (GNN) zur Vorhersage molekularer
Eigenschaften. Um das Screening von Kandidatenmolekülen für die Arzneimittelentwicklung
zu beschleunigen, wurden rechnergestützte Methoden eingesetzt, um Moleküle
basierend auf ihren relevanten Eigenschaften vorherzusagen und zu filtern. Die Veränderung
von Eigenschaften zwischen zwei strukturell ähnlichen Verbindungen wird durch die
Theorie des MMPs erfasst, das als Paar von Verbindungen definiert ist, die sich durch
eine klar definierte strukturelle Veränderung unterscheiden. Dieses Konzept hilft dabei,
strukturelle Elemente aufzudecken, die für die Eigenschaftsvorhersage wesentlich sind.
Ein Ansatz, der dieses Konzept verwendet, ist das Network Balance Scaling (NBS), das
die Vorhersagefähigkeiten von ML-Modellen und die strukturellen Beziehungen zwischen
Verbindungen als MMP-Netzwerk integriert. Allerdings wird NBS hauptsächlich als
Nachbearbeitungsschritt verwendet, was das Potenzial für weitere Optimierungen aus
Vorhersagemodellen wie einem GNN einschränkt.
Diese Dissertation stellt einen Ansatz vor, der die NBS-Methodik mit dem GNNFramework
durch eine neu entwickelte Verlustfunktion für das Training integriert. Wir
evaluieren unseren Ansatz anhand von Benchmark-Datensätzen durch umfangreiche
Experimente und heben dabei seine Vorteile und Einschränkungen hervor. Zusätzlich
bieten wir einen umfassenden Überblick über relevante Literatur zur Verwendung von
MMPs bei der Eigenschaftsvorhersage. Diese Dissertation trägt ein robustes Modell
bei, das darauf abzielt, die Leistung bei der Vorhersage molekularer Eigenschaften zu
verbessern und die Rolle von MMPs bei der Eigenschaftsvorhersage voranzutreiben.