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（五）

目录

一、本周进度

二、学习内容

---

一、本周进度

在之前几周的学习中，对整个DrugLLM大语言模型有了一个基本的认识，整体页面的设计也有了一个大致的框架，在本周中主要还是进行更加前沿论文的阅读，继续深入了解DrugLLM模型。

二、学习内容

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。

更值得一提的是，该系统有助于减少失败率和简化临床试验。作者收集了包含 10,834 种药物化合物和 143,517 个问题-答案对的数据集，并进行了端到端的训练，以确保系统的高准确性。

DrugChat 框架的整体概览：

DrugChat框架演示：