学位论文简介

降低药物研发成本和周期，提高药物研发的效率是人工智能辅助诊疗和精准医疗的重要组成部分，其系列关键科学问题被列为“重大领域交叉前沿方向”。因此，本文围绕人工智能辅助药物设计这一主题，探索分子性质预测、药物靶点亲和力预测和分子优化问题，建立了有助于实现加速药物发现过程并提供准确有力的的预测和优化模型和方法。取得了以下主要创新性研究成果：

(1) 为解决分子性质预测缺乏知识引导的问题，整合通用知识与领域知识，以提高预测模型的泛化力和准确性。提出多任务图注意力机制框架，在高数据空间、低数据空间和不平衡数据集上得到了很好的泛化性能。

(2) 为了探究多模态知识对于模型预测能力和泛化能力的影响，根据化学常识，选择不同的药物与靶标模态知识进行药物靶点亲和力预测。同时提出多模态知识融合框架，将药物和靶点的多模态知识融合到一个统一的低纬表征空间中，并通过去燥模块保持信息的完备性和相关性。建立了一个通用的多模态知识融合框架。

(3) 为了高效、全面、自动的进行分子增强，设计了基于梯度扰动的对比学习分子优化策略。通过构造正负样本，可以很好的扩展模型对于样本空间分布的探索。在优化过程中动态调整梯度扰动的强度，以确保生成分子既满足优化目标，又保持与原始分子的合理相似性，从而减少非必要的结构变动，提高优化后分子的可行性。

(4) 为了对分子优化过程进行精确的结构和性质变化控制，设计了基于提示学习的可控分子优化。利用特定的“Prompt”，如“生成具有高溶解度且低毒性的分子”， 使得分子优化能够受到明确的目标引导，模型则根据这些指令生成符合目标要求的分子。

主要学术成果

[1] Xixi Yang, Yanjing Duan, Zhixiang Cheng, Kun Li, Yuansheng Liu, Xiangxiang Zeng,and Dongsheng Cao. MPCD: A Multitask Graph Transformer for Molecular Property Prediction by Integrating Common and Domain Knowledge. Journal of Medicinal Chemistry, 67.23 (2024): 21303-21316. (SCI一区，一作)

[2] Xixi Yang; Zhangming Niu; Yuansheng Liu; Bosheng Song; Weiqiang Lu; Li Zeng; and Xiangxiang Zeng. Modality-DTA: Multimodality fusion strategy for drug–target affinity prediction. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2022, 20(2): 1200-1210.(CCF-B,一作)

[3] Xixi Yang, Li Fu, Yafeng Deng, Yuansheng Liu , Dongsheng Cao and Xiangxiang Zeng, GPMO: Gradient Perturbation-Based Contrastive Learning for Molecule Optimization, IJCAI. 2023. (pp. 4940-4948).(CCF-A，一作)