Graph Unified Attention-based Chemical Analysis of Molecules
Cross-modal molecule representation model을 통한 ADMET/toxicity 예측 시스템 개발
- 분자 구조의 특성을 효과적으로 포착할 수 있는 robust representation 개발
- CYP 주요 isoform 억제 예측 (binary classification) SOTA 달성
- hERG blocker 예측 (binary classification) SOTA 달성
- 기타 ADMET property, toxicity property prediction task에서 SOTA 달성
- Quantum-mechanics task에서 준수한 성능 달성
- 예측 결과에 대한 설명 가능한 해석 방법 구현
- 여러 모달리티(2D, 3D, 텍스트 등)를 합성하여 분자 표현을 강건하게 구성
- 기존 모델 대비 향상된 성능의 ADMET 예측
- 산업계 활용 가능한 실용적인 시스템 구현
- Pre-training Data: PubChem, ZINC15/20, ChemBL, PCQM4Mv2
- Fine-tuning Data: TDC, MoleculeNet, Polaris
- Deep Learning Framework: PyTorch
- Key Technologies: GNN, Transformer, Multi-modal Learning
- 양기택
- 김종환
- 윤철희
- 홍사빈
- Model 조사 및 구현 (1-4주차)
- Model 고도화 및 성능 개선 (4-6주차)
- TDC leaderboard 도전
- Polaris competition 도전
- Aigen Dataset validation
- 최종 발표 및 서비스 배포 (7주차)
AIGEN Sciences - Harnessing AI for Real-World Drug Discovery
© 2024 GUACAMole Team. All Rights Reserved.