DeepAutoQSAR
予測型機械学習モデルの学習および適用に向けた、自動化され、拡張性のあるソリューション
最先端の手法を用いて、高性能な機械学習モデルを構築する
DeepAutoQSARは、化学構造 に基づいて分子特性を予測できる機械学習（ML）ソリューションです。この自動化された教師あり学習パイプラインにより、初心者から経験豊富なユーザーまで、最高水準の定量的構造 活性・特性相関（QSAR/QSPR）モデルを学習・推論することが可能になります。
主な機能
完全に自動化されたワークフローでモデル構築を効率化
記述子やフィンガープリントを自動的に計算し、複数の機械学習アーキテクチャを用いたモデルを作成し、モデルの性能を評価します。
プロジェクト固有の記述子を使用して、モデルをプロジェクトに合わせてカスタマイズする
DeepAutoQSARによって生成された記述子に加えて、あるいはその代わりに、CSV形式で独自の記述子を提供することで、低分子だけでなく、ポリマー、有機エレクトロニクス、触媒反応など、幅広い用途に活用できます。
ベストプラクティスを活用してモデルの最適化を図る
QSAR/QSPRのベストプラクティスを活用し、予測モデルの性能を最大限に確保しつつ、過学習やモデルの性能の誤った評価が生じる可能性を最小限に抑える。
モデルの信頼度推定値を用いて適用範囲を把握する
DeepAutoQSARは、モデルの予測結果とともに不確実性の推定値を提供し、モデルの学習データセットの範囲外にある可能性のある候補分子について生成された予測を、どの程度信頼すべきかを判断するのに役立ちます。
結果を可視化・分析し、さらなる知見を得る
ターゲット の特性に対する各原子の寄与度を色分けして可視化し、新規化学構造の創案を促進します。Maestro でDeepAutoQSARのメトリクスレポートやプロットを可視化・分析し、さらなる実験を可能にします。これにより、どのモデルアーキテクチャが最も効果的か、またモデルがホールドアウトセットに対してどのように汎化するかについて、迅速に把握できます。
小規模なデータセットから大規模なデータセットまで対応可能なスケーラブルなトレーニング
小規模なデータセットでは、ブーステッドツリーなどの古典的な機械学習手法を用いる一方で、グラフニューラルネットワークやその他の最新の深層学習アプローチを用いて、最大規模のQSAR/QSPRモデルにも対応します。
事例紹介とウェビナー
Schrödinger の技術が、現実の研究課題の解決にどのように活用されているかをご覧ください。
ドキュメントとチュートリアル
Schrödingerのソフトウェアに関するよくある質問への回答や、その活用におけるベストプラクティスをご確認ください。
関連商品
研究プロジェクトを前進させるために活用できる関連の計算技術について、詳しくご覧ください。
出版物
関連する応用分野において、Schrödinger 技術を採用した査読付き論文の一覧をご覧ください。