Современные инструменты машинного обучения для решения прикладных задач химии: ключевые концепции и практическая реализация

Лекция 1: Источники данных: молекулы, твердые структуры, данные лиганд-белок; базы данных: SIDER, ToxCast, PDBBind, PCBA, AQSOL, ZINC, QM9, Alchemy, PCQM4Mv2, MOFXDB, MC3D, JARVIS; таблицы лидеров для сравнения с имеющимися решениями. Задача представления, визуализации и препроцессинга данных в химии. Генерация 2D/3D структур на основе SMILES/InChI. Практическое занятие: Выгрузка данных из онлайн-источников. Конвертация в различные форматы (sdf/mol/xyz/smi для молекул, cif/poscar/pdb для периодических структур), оптимизация геометрии с использованием OpenBabel и psi4. Работа с библиотеками RDKit и Pandas для препроцессинга данных.

Лекция 2: Генерация 1D дескрипторов. Дескрипторы в библиотеках RDkit, Mordered. Молекулярные отпечатки пальцев. RACs дескрипторы для твердого тела. Введение метрики в пространстве структур и анализ похожести. Практическое занятие: Работа с датасетом QM9. Генерация дескрипторов. оптимизация геометрии, поиск совпадающих подструктур, поиск структурных дескрипторов по SMARTS. Разбивка на классы органических соединених. Оценка похожести молекул методом Танимото. Визуализация средствами RDKit и plotly.

Лекция 3: Визуальный поиск паттернов. Линейный и ядерный PCA, t-SNE. Задачи выбора признаков и извлечения признаков. Работа с перенасыщенным набором дескрипторов, проклятие большой размерности на примерах. Решение проблем скоррелированности и переобучения. Задача выбора оптимального подмножества дескрипторов. Практическое занятие: Работа с датасетом QM9. Визуальный анализ пространства дескрипторов с помощью PCA и t-SNE. Анализ t-SNE кластеров, их химическая интерпретация. Статистический анализ дескрипторов, скоррелированность дескрипторов. RFECV на основе XGBoost.

Лекция 4:Классические методы машинного обучения. Решение задач регрессии и классификации с табличными данными.

Практическое занятие: Работа с датасетами QM9 и hMOF. Применение моделей для предсказания изобарической теплоемкости в QM9 и адсорбции CO2 в hMOF. Использование полученных ранее знаний по препроцессингу химических данных. Зависимость результатов при использовании нормализации дескрипторов, при генерации логарифмических и квадратичных дескрипторов.

Лекция 5: Введение в ансамбли: стекинг, бэггинг, бустинг. Улучшение предсказаний на основе построения метамодели. Концепция AutoML – автоматизация препроцессинга данных, подбора гиперпараметров моделей и построения стек-ансамбля. Интерпретация результатов предсказания с помощью анализа отклонений, важности признаков, с помощью LIME, ICE и SHAP анализов. Практическое занятие: Знакомство с библиотеками optuna и h2o AutoML. Оптимизация гипер параметров лучшей модели для предсказания изобарической теплоемкости в QM9 средствами optuna. Построения стек-ансамбля для решения задачи адсорбции в hMOF с помощью h2o. Интерпретация результатов c помощью SHAP.

Лекция 6: Нейронные сети: общие сведения, многослойный перцептрон, дропауты и пакетная нормализация, сверточные слои.

Практическое занятие: Разбор архитектур двух нейронных сетей. Исследование распространения ошибки. Примеры влияние параметров дропаутов и наличие слоев пакетной нормализации на качество обучения и возможность углубления и расширения слоев.

Лекция 7: 2D и 3D дескрипторы на основе структурной информации, графовые представления молекул и периодических структур, кулоновские матрицы, представление информации с помощью радиальных функций, инвариантность представления относительно трансляционных и ротационных симметрий.

Практическое занятие: Работа с библиотеками deepchem и torch_geometric. Построение кулоновских матриц, атомных, связевых, больших линейных графов для молекул из базы QM9.

Лекция 8: Графовые нейронные сети. Обзор моделей, зарекомендовавших себя в молекулярных задачах: GCN, DTNN, DAG, Weave, MPNN. Графовые нейронные сети для задач твердого тела: CGCNN, ALIGNN.

Практическое занятие: Предсказания изобарической теплоемкости в QM9 с помощью Weave и MPNN и адсорбции CO2 в hMOF с помощью CGCNN. Сравнение результатов с предсказаниями классических моделей. Оптимизация гиперпараметров CGCNN с помощью optuna. Использование верхних сверточных слоев из предобученной CGCNN модели. Введение в transfer learning

Лекция 9: Обзор классических концепций поиска новых соединений в различных разделах химии, таких как разработка лекарств, топливная промышленность, катализ. Рассмотрение различных генеративных подходов машинного обучения. Состязательные сети. MolGAN, WGAN. Вариационный автоэнкодер. Обучение с подкреплением на основе прогнозов предиктивной модели. Преимущественная генерация “хороших” структур.

Практическое занятие: Обзор модели вариационного автоэнкодера для генерации молекул-кандидатов в задаче поиска новых топливных молекул. Изменение архитектуры нейронной сети под различные форматы представления молекулярной структуры. Рассмотрение скоростей кривых обучения генератора и дискриминатора и влияние дисбаланса обучения на результаты генерации для MolGAN.

Лекция 10: Прикладные примеры. Докинг и энергия связывания лиганд-белок. Классические функции оценки, расчетные методы, ML подход: KDeep, Pafnucy, SBDFI. Свертка аминокислотной последовательности. AlphaFold.

Практическое занятие: Работа с датасетом PDBBind. Препроцессирование pdb файлов, очистка от растворителя, исправления неправильной маркировки аминокислот, добавление водородов. Оценка связывания лиганд-белок с использованием различных детерминированных и ML функций оценки, сравнение с экспериментом. Fasta-файлы и пример запуска OmegaFold.

Лекция 11: Прикладные примеры. Молекулярная механика и концепция силовых полей. Обзор ML потенциалов: ANI, FFLUX, TensorMol. Расчет энергии и сил с помощью ANI-2x. Машинно-обученные силовые поля.

Практическое занятие: Сравнение эмпирических ППЭ, полученных на базе классических силовых полей и с помощью ANI-2x, с более точными квантово-химическими рассчитанными сечениями для торсионных и валентных деформаций молекул. Дообучение силового поля на основании подготовленного датасета по энергиям различных конформаций молекул.

Лекция 12: Прикладные примеры. Метод вариационного Монте-Карло с использованием ML потенциалов. FermiNet и PauliNET.

Практическое занятие: Расчет молекулы водорода и атома лития методом полного КВ в различных базисах, экстраполяция в CBS. Сравнение с результатами PauliNETv2.

Лекция 13: Общий обзор устройства LLM моделей. Борьба с галлюцинациями и улучшение ответов в специализированной области знаний путем передачи научного контекста. Поиск ответов со ссылками на контекст. Примеры использования LLM для работы с химическими текстами.

Практическое занятие: Тематическая кластеризация базы научных статей на основе анализа абстрактов. Библиотеки langchain и huggingface_hub. Ответы на вопросы по научной текстовой базе с помощью Falcon 7B.

Защита проектов: На последней неделе студенты защищают проекты по интересующим их темам и вопросам машинного обучения, возможно, пригодным для применения в рамках их научной работы. В течении семестра студенты должны обсудить с преподавателем интересующую их задачу для потенциального применения в ней методов машинного обучения, и после согласования им будет предложен теоретический (описание метода или его части) или экспериментальный (применение метода на практике) проект для защиты.