Resumen

La predicción de propiedades moleculares es una tarea esencial en el descubrimiento de medicamentos. La mayoría de los enfoques computacionales con técnicas de aprendizaje profundo se centran en diseñar representaciones moleculares novedosas o en combinarlas con algunos modelos avanzados. Sin embargo, los investigadores prestan menos atención a los posibles beneficios en datos moleculares masivos no etiquetados (por ejemplo, ZINC). Esta tarea se vuelve cada vez más desafiante debido a la limitación de la escala de los datos etiquetados. Motivados por los avances recientes de los modelos preentrenados en el procesamiento del lenguaje natural, la molécula del medicamento puede ser vista naturalmente como lenguaje en cierta medida. En este artículo, investigamos cómo desarrollar el modelo preentrenado BERT para extraer información útil de subestructuras moleculares para la predicción de propiedades moleculares. Presentamos un nuevo marco de aprendizaje profundo de extremo a extremo, llamado Mol-BERT, que combina una representación molecular efectiva con el modelo

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Predicción de propiedades moleculares; Técnicas de aprendizaje profundo; Modelo preentrenado; Información de subestructuras moleculares; Mol-BERT; Descubrimiento de fármacos
• Keywords:Molecular property prediction; Deep learning techniques; Pretrained model; Molecular substructure information; Mol-BERT; Drug discovery