Detailansicht
Learning with reduced molecular graphs
Vojtech Vorácek
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Data Science
Betreuer*in
Nils Morten Kriege
DOI
10.25365/thesis.74805
URN
urn:nbn:at:at-ubw:1-15724.89169.312387-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit befasst sich mit dem Einsatz von Techniken des maschinelles Lernens in der Arzneimittelforschung, insbesondere mit der Anwendung graphbasierter Techniken zur Vorhersage der Eigenschaften von Molekülen. Graph Neuronale Netze haben sich in diesem Bereich zwar als vielversprechend erwiesen, stehen aber vor der Herausforderung, zwischen verschiedenen Molekülarten zu unterscheiden. Eine Lösung für dieses Problem ist das hierarchische Inter-Message-Passing-Verfahren, das mit mehreren Repräsentationen des selben Graphen arbeitet und die Aggregation von Informationen über sie hinweg ermöglicht. Die Arbeit stellt eine Graphlernmethode vor, die auf dem hierarchischen Inter-Message-Passing-Schema basiert. Unser Ansatz nutzt reduzierte Graphrepräsentationen, einschließlich des Extended Reduced Graphs und des Feature Trees, zusätzlich zum ursprünglichen Molekülgraphen. Dies ermöglicht ein umfassenderes Verständnis der molekularen Struktur. Experimentelle Ergebnisse anhand von Benchmark-Datensätzen zeigen die Überlegenheit des entwickelten Modells gegenüber bestehenden Ansätzen und modernen Techniken. Diese Arbeit trägt zur Weiterentwicklung des Fachgebiets bei, indem sie ein leistungsstarkes Modell zur präzisen Vorhersage von molekularen Eigenschaften in der Arzneimittelforschung bereitstellt und Auswirkungen auf die Beschleunigung des Arzneimittelentdeckungsprozesses hat.
Abstract
(Englisch)
This thesis focuses on the use of machine learning techniques in drug discovery, speciőcally the application of graph-based techniques to predict molecules’ properties. While Graph Neural Networks have shown promise in this őeld, they face challenges in distinguishing between different types of molecules. One solution to this problem is the Hierarchical Inter-Message Passing scheme, which operates on multiple graphs and allows for the aggregation of information across them. The thesis introduces a graph learning technique based on the Hierarchical Inter-Message Passing scheme. Our approach leverages reduced graph representations, including the Extended Reduced Graph and the Feature Tree, in addition to the original molecular graph. This allows for a more comprehensive understanding of molecular structure. Experimental results on benchmark datasets reveal the superiority of the developed model over existing approaches and state-of-the-art techniques. This thesis contributes to advancing the őeld by providing a powerful model for accurately predicting molecular properties in drug discovery and has implications for accelerating the drug discovery process.
Schlagwörter
Schlagwörter
(Deutsch)
Graph neuronales Netzwerk Hierarchische Inter-Message-Passing-Verfahren Feature Tree Extended Reduced Graph
Schlagwörter
(Englisch)
Graph Neural Network Hierarchical Inter-Message Passing scheme Feature Tree Extended Reduced Graph
Autor*innen
Vojtech Vorácek
Haupttitel (Englisch)
Learning with reduced molecular graphs
Paralleltitel (Deutsch)
Lernen mit reduzierten Molekulargraphen
Publikationsjahr
2023
Umfangsangabe
xi, 56 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Nils Morten Kriege
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17009380
Utheses ID
68273
Studienkennzahl
UA | 066 | 645 | |