Maschinelle Lernmethoden für die Chemische Informatik II

化学信息学的机器学习方法 II

• 批准号: 51114943
• 负责人: Professor Dr. Klaus-Robert Müller
• 金额: --
• 依托单位: Fachgebiet Maschinelles Lernen/ Intelligente Datenanalyse
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2007
• 资助国家: 德国
• 起止时间: 2006-12-31 至 2011-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/51114943?language=en
• 关键词: Maschinelle; Lernmethoden; die; Chemische; Informatik

Das Anwendungsfeld der chemisch-biologischen Forschung stellt besondere Anforderungen an kernbasierte statistische Prädiktionverfahren: Zuverlässigkeit, Robustheit und Umgang mit Nichtstationarität. Im Bereich der Zuverlässigkeitsabschätzung von Vorhersagen konnten wir mit Gauß’schen Prozessen (GPs) ein leistungsstarkes Vorhersageverfahren in die Chemoinformatik einführen. Die Fehlerbalken der GPs lieferten vielfach hilfreiche Aussagen; gleichzeitig zeigte sich, dass derzeitige Verfahren zur Risikobewertung nicht allgemein für alle Endpunkte und Datensätze anwendbar sind und hier weiterer Forschungsbedarf besteht. Im Bereich der Robustheit konnten wir über eine KernPCA zur Ausreißererkennung und eine large-scale Implementierung heteroskedastischer GPs Messungenauigkeiten und Messfehler chemischer Versuchsreihen kompensieren. Basierend auf Ranking-Verfahren wurde ein neuer, besonders robuster Algorithmus für das Anwendungsfeld des virtuellen screenings entwickelt. Zur Nichtstationarität wurden zwei konzeptuelle Beiträge erarbeitet. Die beiden praktischen Studien hierzu illustrieren die Auswirkungen von Nichtstationarität auf das Prädiktionsverhalten. Neben der Entwicklung angepasster Vorhersageinstrumente hat das Forschungsprojekt gezeigt, dass maschinelle Lernverfahren über die reine Vorhersage hinaus zur Erweiterung des chemischen Verständnisses und zur Ableitung neuer chemischer Hypothesen beitragen können. Basierend auf lokalen Gradienten konnten einflussreiche molekulare Eigenschaften in Bezug auf Toxizität identifiziert und deren Relevanz für einzelne Verbindungen oder Verbindungsklassen erstmals quantifiziert werden. Ein neu entwickeltes Verfahren zur Visualisierung entscheidungsrelevanter chemischer Verbindungen bietet darüber hinaus dem Anwender die Möglichkeit, Vorhersagen besser nachzuvollziehen und Messfehler effizienter zu eliminieren. Zusammenfassend konnten wir im Berichtszeitraum Gauß’sche Prozesse in aller Breite als einen neuen Ansatz für QSAR-Studien etablieren, sowie erfolgversprechende neue Techniken im Bereich der Robustheit und Nichtstationarität entwickeln und über unsere neuen Erklärungverfahren erstmals die Anwendung von nicht-linearen maschinellen Lernverfahren als Optimierungshilfen in der Chemoinformatik ermöglichen.

Das Anwendungsfeld der chemisch-biologischen Forschung stelt besondere Anforderungen an kernbasierte statisticche Prädiktionverfahren：Zuverlässigkeit，Robustheit und Umgang mit Nichtstationarität.在化学信息学中，我们可以使用Gaussian 'schen Prozessen（GPs）作为前体的辅助工具。Die Fehlerbalken der GP lieferten vielfach hilfreiche Aussagen; gleichzeitig zeigte sich，dass derzeitige Verfahren zur Risikobewertung nicht allgemein für alle Endpunkte und Datensätze anwendbar sind and multicweiterer Forschungsbedarf besteht.在Robustheit的实现中，我们需要一个核主成分分析，以获得更好的结果，并需要一个大规模的实施异构的GPs Messungenauigkeiten和Messfehler化学Versuchsreihen compensieren。基于排名-Verfahren wurde ein neuer，besonders robuster promus für das Anwendungsfeld des virtuellen screenings entwickelt。如果没有固定的话，我们会有两种不同的选择。这两种实践都以高度的方式说明了非固定资产的使用。在研究项目中，开发一种新型的前体分析仪器，使机械化的前体分析方法能够有效地解决化学测试和新的化学假设问题。基于局部检测，可对毒性识别和相关性研究中的分子特征产生影响，以确定韦尔登。Ein neu entwickeltes Verfahren zur Visualisierung entscheidungsrelevanter chemischer Verbindungen bietet darüber hinaus dem Anwender die Möglichkeit，Vorhersagen besser nachzuvollziehen und Messfehler effizienter zu eliminieren.因此，我们必须在阿勒的Berichtszeitraum中进行一项新的QSAR分析方法的研究，以便在Robustheit和Nichhtstationarität领域中开发新的技术，并使我们的新的Erklärungverfahren在化学信息学中最优化地分析非线性机械Lernverfahren。