目录
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。