代码拉取完成,页面将自动刷新
数据驱动的方法主要基于已有的各种物理、化学、生物数据,应用机器学习方法,实现分子学习任务。
数据驱动方法的发展是数据积累以及AI技术进步两方面综合促进的结果。随着蛋白、DNA、RNA等生物大分子序列、结构数据库,小分子结构、性质数据库,分子模拟等数据的不断扩增,应用一种或多种数据,可以训练AI模型学习其中的表示、性质、关联性等,以实现下游任务。
近年来,深度学习技术蓬勃发展,CNN、Transformer及其衍生架构、图神经网络等AI算法,以及GAN、VAE等多种AI模型被广泛应用于预训练模型、结构预测、性质预测、分子设计或生成等多种分子学习任务中。
其中,预训练模型往往基于海量大小分子序列或图表示,构建可迁移性较强的中、大型模型,这些模型可以通过微调适应多种下游任务:
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。