山东大学软件学院创新项目实训DrugLLM-基于大语言模型的药物分子性质分析平台（三）

目录

本周进度

学习内容

DrugChat模型

前端知识学习

---

本周进度

本周在前一周搭建框架的基础上对前端页面进行了美化，完善了DrugLLM系统的功能和非功能性需求，并在前端页面上做了进一步的美化。

学习内容

DrugChat模型

模型用途：

DrugChat 系统在药物研发领域具有重要意义，比如加速药物发现。与 ChatGPT 类似，该系统能根据用户上传的化合物分子图进行多轮交互性回答，从而在早期阶段就能发现潜在有效的药物。

其次，该系统通过图神经网络（GNN）和大型语言模型（LLM）的结合，提升了我们对结构活性关系的理解。GNN 负责从化合物分子图中学习表示，然后通过适配器转换为 LLM 可以接受的形式，进一步生成答案。

此外，DrugChat 还能够辅助先导化合物优化，并助力药物再定位。通过对化合物的深入分析，该系统不仅能找到更有效的先导化合物，还能发现现有药物的新用途。

方法：

DrugChat 结合图神经网络和大型语言模型，通过自适应器实现复杂分子结构的智能解读。

• 图神经网络（GNN）专门用于解析化合物分子图。
• 大型语言模型（LLM）负责生成用户问题的答案。
• 自适应器连接 GNN 和 LLM，并进行微调。

结果：

DrugChat 框架通过高级算法和数据集能够进行药物分析，但存在语言生成的不准确性，需要未来的优化。

前端知识学习

在页面的渲染中，主要依靠内嵌css样式来实现例如按钮、点击特效等的实现；

另外在页面的浏览中，也需要延迟加载，主要通过动态的插入<link>标签或者引入@import样式来实现。