生成网络及其在小分子生成问题中的理论及应用研究

Generative learning is one of the important research areas of artificial intelligence. The emergence of Generative Adversarial Networks in 2014 provides a new network framework for generative learning, which brings great scalability and flexibility to deep learning systems. Making generative learning become the hottest research direction of deep learning.Although there are a large number of improved models based on Generative Adversarial Networks, there is still no breakthrough in generation model. Therefore, the generation of networks urgently requires further research on a the theoretical level.This project intends to study cooperation among subnetworks and the relationship of generation from the perspective of a game theory. And we introduced the method of weight-sharing in the project. We combined the method with the generation of confrontation network to build weight-sharing generation network. At the same time, a combination of encapsulation and tensor methods was developed to study the small sample learning problem in the generation network. Finally, aiming at the problem of small molecule generation in drug design, the corresponding weight-sharing generation network is designed and the practicality of the network is analyzed. The application of generative learning for the problems of small molecules generation is further development artificial intelligence applications. It has important theoretical significance and great applicable value.

生成学习是人工智能的重要研究内容之一。2014年生成式对抗网络的提出为生成式学习提供了全新的网络框架，为深度学习系统带来了极强的可塑性与扩展性。使得生成学习成为深度学习最热门的研究方向。虽然目前涌现出了大量基于生成式对抗网络的改进模型，但仍无一个具有突破性的生成模型，因此生成网络急需理论层面的进一步研究。本项目拟从博弈论的角度出发，研究子网络间合作、对抗关系，引入权值共享方法，构建多人博弈网络，对偶孪生网络。同时，结合胶囊化、张量化方法展开对生成网络中小样本学习问题的研究，提出序列胶囊网络与胶囊化、张量化的网络连接方式。最后，针对药物设计中小分子生成问题，设计相应的权值共享生成式对抗网络，在实践中分析网络的实用性。将生成学习应用于小分子生成问题是人工智能应用领域的推广，具有重要的理论意义及巨大的应用价值。

本项目围绕小分子的生成问题，从分子的多种化学字符串表示出发，重点研究神经网络在分子生成中的特征表示、多样性、有效性等核心问题，在此基础上研究分子的毒性预测、小分子的生成、基因的优化等一系列问题：研究胶囊网络的动态路由思想，构建一种序列化胶囊网络框架，从分子的指纹表示形式出发，建立毒性预测模型；研究基于循环神经网络和条件随机场相结合的网络框架在序列化生成中的应用，通过引入密码子盒概念，建立基因优化模型，并通过生物实验验证模型的有效性；研究基于分布学习的条件循环神经网络，结合预训练模型，利用迁移学习，数据增强等技术手段从分子的SMILES(Simplified molecular input line entry system)表示形式出发，构建生成式深度学习模型，生成万级的新分子，这些分子在物理化学性质方面与活性化合物基本相似；研究基于图网络框架的生成对抗神经网络模型，通过引入包含编码-解码器的网络，构建适用于分子生成的生成对抗网络模型，并在生成的多样性和有效性上有显著提升。本项目结合目前神经网络中的重要网络框架及主要技术手段，为神经网络在小分子生成中的应用提供了重要的借鉴价值和研究途径。