Abstract (deu)
Diese Arbeit befasst sich mit dem Einsatz von Techniken des maschinelles Lernens in der Arzneimittelforschung, insbesondere mit der Anwendung graphbasierter Techniken zur Vorhersage der Eigenschaften von Molekülen. Graph Neuronale Netze haben sich in diesem Bereich zwar als vielversprechend erwiesen, stehen aber vor der Herausforderung, zwischen verschiedenen Molekülarten zu unterscheiden. Eine Lösung für dieses Problem ist das hierarchische Inter-Message-Passing-Verfahren, das mit mehreren Repräsentationen des selben Graphen arbeitet und die Aggregation von Informationen über sie hinweg ermöglicht. Die Arbeit stellt eine Graphlernmethode vor, die auf dem hierarchischen Inter-Message-Passing-Schema basiert. Unser Ansatz nutzt reduzierte Graphrepräsentationen, einschließlich des Extended Reduced Graphs und des Feature Trees, zusätzlich zum ursprünglichen Molekülgraphen. Dies ermöglicht ein umfassenderes Verständnis der molekularen Struktur. Experimentelle Ergebnisse anhand von Benchmark-Datensätzen zeigen die Überlegenheit des entwickelten Modells gegenüber bestehenden Ansätzen und modernen Techniken. Diese Arbeit trägt zur Weiterentwicklung des Fachgebiets bei, indem sie ein leistungsstarkes Modell zur präzisen Vorhersage von molekularen Eigenschaften in der Arzneimittelforschung bereitstellt und Auswirkungen auf die Beschleunigung des Arzneimittelentdeckungsprozesses hat.