Leçon 15.4 : L’application du modèle de génération de cartes de profondeur à la génération moléculaire Jure Leskovec PhD in Computer Science Enfin, nous avons discuté d’un cas d’utilisation important du modèle de génération de cartes de profondeur, c’est-à-dire la génération moléculaire. Cette application appartient à la tâche de génération de graphes orientés buts que nous avons mentionnée dans la Lec 15.1. Ici, nous voulons générer des molécules valides et réelles avec des scores d’attribut optimisés. Nous avons introduit Graph Convolutional Neural Network (GCPN) comme solution à cette tâche. L’idée de GCPN est de générer un graphe idéal grâce à l’apprentissage par renforcement, où la récompense est définie par l’objectif généré par le graphe, et le réseau de stratégie est paramétré comme un réseau de neurones de graphe (GNN). Nous avons comparé les différences entre GCPN et GraphRNN. Le GCPN peut générer des molécules avec des scores de similarité médicamenteux élevés, ce qui ouvre une nouvelle voie pour la découverte de médicaments informatisés. Plus d’informations peuvent être trouvées dans l’article : “Graph Convolutional Strategy Networks for Goal-Oriented Molecular Graph Generation” Pour en savoir plus sur le programme et le programme des cours, veuillez visiter : : Pour voir tous les cours et programmes en ligne proposés par l’Université de Stanford, veuillez visiter :.