ИСТИНА

Проект посвящен реализации методики формирования архитектуры нейронной сети, предсказывающей значения биологической активности молекулярных графом, на основе решения задачи "структура-свойство" в виде обобщенного дерева решений (ОДР). ОДР модель содержит кластеры молекулярных графов обучающей выборки, где в каждом из кластеров построена собственная регрессионная модель. такая структура может быть естественно отображена на соответсвующую архитектуру нейронной сети, построенной из RBF-нейронов. Такая нейро сеть готова к использованию без проведения дополнительного обучения нейро-сети - все коэффициенты и взаимосвязи загружаются в нейросеть из ОДР-модели. Этот новый подход был предложен несколько лет назад на теоретическом уровне как возможность существенно упростить этап обучения нейро-сети. Проект предполагает формирование нейро сети как на логическом уровне с подтверждением качества получаемых прогнозов биологической активности молекулярных графов, так и на физическом уровне с параллельной реализацией в архитектуре CUDA на графических ускорителях NVIDIA. В такой реализации модель будет способна проводить "внеэкспериментальный скрининг" новых молекулярных структур быстро, что позволит обрабатывать большие выборки новых молекул за приемлемое время при поиске новых лигандов (молекул-кандидатов). Задача "молекулярная структура-биологическая активность" продолжает оставаться весьма актуальной и ее решения помогают содержательно ставить задачи в области биоинженерии и биоинформатики

The project is devoted to the implementation of the methodology for the formation of the architecture of the neural network, which predicts the biological activity of molecular graphs, based on the solution of the "structure-property" problem in the form of a generalized decision tree (GDT). The GDT model contains clusters of molecular graphs of the training sample, where each of the clusters has its own regression model. Such a structure can be naturally mapped to the corresponding architecture of a neural network constructed from RBF neurons. This neural network is ready for use without additional training of the neural network - all coefficients and relationships are loaded into the neural network from the GDT model. This new approach was proposed a few years ago at the theoretical level as an opportunity to substantially simplify the stage of learning the neural network. The project assumes the formation of a neural network both at a logical level with the confirmation of the quality of the predicted biological activity of molecular graphs and at the physical level with parallel implementation in the CUDA architecture using NVIDIA graphics accelerators. In such an implementation, the model will be able to conduct an "on silicon screening" of new molecular structures quickly, which will allow processing large samples of new molecules at a reasonable time when searching for new ligands (candidate molecules). The task of "molecular structure-biological activity" continues to be very actual and its solutions help to meaningfully set tasks in the field of bio engineering and bioinformatics